海战场时空关系研究

时空关系是时空数据模型中体现时空语义的重要部分,在海战场时空数据模型整体框架中起着重要的作用。根据海战场数据特点对现有空间、时态关系表达方式进行了遴选分析并修改补充,建立了完整的海战场时空关系表达方式,着重论述了海战场时空拓扑关系的表达。在此基础上,分析了海战场时空关系的应用情景,提出了适于海战场时空关系的表达运算。     

针对战场态势时空数据的中文查询技术研究

战场态势时空数据引擎是基于时空数据库技术实现的,面向战场时空数据查询的战场态势辅助分析系统.针对时空数据库查询语言的复杂性,设计了战场态势时空数据引擎的中文查询系统,研究了中文查询任务到时空查询语句的映射过程,设计了时空查询词库,研究了分词算法,查询文法以及STQL生成方法.通过原型系统验证了中文查询技术的可行性,提高了时空数据库查询的可用性和易用性.     

三维智慧校园系统的研究与实现

当前智慧校园系统发展已有一定成果,但在数据方面缺乏时空性,三维可视化的校园系统发展还不太成熟,使得智慧校园系统表现单一。针对当前智慧校园系统的地理数据表达与时空信息表达的不足,研究了地理信息系统技术、三维空间数据技术和时空数据技术,设计了技术整合框架,实现了二维空间数据、三维空间数据、时空数据三种数据的同步,通过MAPGIS 10.0平台与SQL server关系数据进行整合与链接,实现了三维智慧校园系统。通过实验数据证明了实现的三维地理表现、时空同步的数据查询功能、智慧化服务功能等更多校园服务功能效果良好。系统的各种模块之间的连接紧密,数据处理逻辑性强,真实反映了校园的实时时空状态。     

时空数据语义理解:技术与应用

随着移动互联网的发展与手持智能终端的普及,海量带有用户时空属性的数据被生成.理解这些数据表达的语义信息对推测用户需求,分析用户偏好,进而提供精准时空推荐和预测服务具有重要作用.因此,近些年来,时空数据语义理解正成为时空数据挖掘领域的研究热点.从技术和应用两个层面,对近些年来国内外研究者在该领域的研究成果进行了系统的归类和总结.技术层面上,依据语义理解的不同任务,提出了时空数据语义理解的研究框架;并依次从地理位置语义理解、用户行为语义理解、热点事件语义理解3个主要任务,归纳了时空数据语义理解所包含的相关研究成果和关键技术.应用层面上,分别总结了时空数据语义理解在时空推荐和时空预测中的应用.最后,从数据质量、算法模型和计算模式3个方面,归纳了时空数据语义理解面临的主要挑战以及未来的研究方向.     

深度卷积记忆网络时空数据模型

时空数据是包含时间和空间属性的数据类型.研究时空数据需要设计时空数据模型,用以处理数据与时间和空间的关系,得到信息对象由于时间和空间改变而产生的行为状态变化的趋势.交通信息数据是一类典型的时空数据.由于交通网络的复杂性和多变性,以及与时间和空间的强耦合性,使得传统的系统仿真和数据分析方法不能有效地得到数据之间的关系.本文通过对交通数据中临近空间属性信息的处理,解决了由于传统时空数据模型只关注时间属性导致模型对短时间间隔数据预测能力不足的问题,进而提高模型预测未来信息的能力.本文提出一个全新的时空数据模型—深度卷积记忆网络.深度卷积记忆网络是一个包含卷积神经网络和长短时间记忆网络的多元网络结构,可以提取数据的时间和空间属性信息,通过加入周期和镜像特征提取模块对网络进行修正.通过对两类典型时空数据集的验证,表明深度卷积记忆网络在预测短时间间隔的数据信息时,相较于传统的时空数据模型,不仅预测误差有了很大程度的降低,而且模型的训练速度也得到提升.     

时空数据智能化处理与分析的理论和方法探讨

首先回顾了时空数据处理与分析的发展历史,探讨了开展智能化研究的必要性,并提出了具有层次结构的时空数据智能化处理和分析的体系结构,结合第四代基本特征的地理信息系统的理论和技术,提出发展地理智能系统需要着重解决几个关键问题：地学知识的表达与推理,建立多尺度时空数据融合模型,时空数据统计特性的模型化表达,引进人工智能领域最新方法,设计有效,快速的时空数据的特点表达,分析,数据挖掘,知识发现等算法,表成一系列时空数据的智能化处理和分析功能。     

基于感知特征的时空过程可视化模型构建

针对传统时空过程可视化模型的拟合程度和动态性差异,提出了基于感知特征的时空过程可视化模型构建.为了反映出时空过程的平滑效果,将感知特征应用到时空过程模拟中,采用时序间隙提取时空过程的感知特征,将相邻时空数据的变化过程模拟出来.利用视觉变量的定义,提高时空数据变化过程的传达效率,通过划分时空视觉变量,为时空过程选择合适的视觉变量,采用多种视觉变量组合的方式,消除时空信息表达质量的影响因素,实现时空视觉变量的选择.由于时空过程数据的采样方式不同,必须采用时空过程数据模型,来描述时空过程,根据可视化的特点,设计了三维时空过程数据模型.通过分析时空过程的特点,设计了时空过程可视化模型构建流程,构建了时空过程可视化模型,实现了时空过程的可视化.实验结果表明,基于感知特征的时空过程可视化模型在拟合程度方面具有更好的性能,最高可达99.83％;在动态度方面也呈现出比较高的性能,最高为78.2％.     

基于时空模型的地籍信息数据库设计方法探讨

介绍了基态修正时空数据模型和改进基态修正时空数据模型,把改进基态时空数据模型引入到地籍信息系统中;分析了时空数据模型下地籍信息中宗地的组织原则,而后从概念设计、逻辑设计和图层设计以及数据库管理设计等方面探讨了利用改进基态修正模型进行地籍信息系统数据库的设计方法.利用该方法,可很大程度上节约地籍数据的存储空间和存取时间,更有利于地籍信息的时空查询.     

战场环境中面向范围查询的分布式时空索引

对战场中时空信息进行合理组织可以高效完成时空查询,从而快速支持军事决策和行动的顺利完成。针对战场环境中时空数据的分布独立性,各节点的自治性、动态性及协作性,提出了时空索引结构P2PSTI,该索引基于DHT技术组织节点的拓扑结构,采用Hilbert曲线将时空对象映射到1维空间,并利用该曲线的局部保持特性设计了高效的查询算法,大大降低了路由消息数量,提高了时空查询性能。实验结果表明,P2PSTI查询性能好,索引维护代价低。     

海战场目标航迹间距离聚类方法

对海战场空间观察对象中的目标分群问题进行了描述;定义观察目标航迹时空距离计算模型及聚类算法,与依据观察目标位置、航向、航速特征量构建的相似度度量方法的传统目标分群层次聚类算法进行了分析对比。该算法将观察目标的时态信息与空间信息相结合,提高了海战场目标分群聚类的质量。     

基于多基态修正模型的空间探测数据管理技术研究与实现

传统的空间环境探测数据存储方式效率较低,且难于满足数据时空分析及深度挖掘,也不能基于三维特性开展时空可视化表达。设计了一种满足海量探测数据特点的多基态修正扩展的混合时空模型,并进行了管理系统软件的设计和开发。该系统能较好地组织管理空间环境数据,减少存储空间,并在一定程度上提高了时空数据操作的效率。     

时空轨迹数据驱动的自动驾驶场景元建模方法

时空轨迹数据驱动的汽车自动驾驶场景建模,是当前汽车自动驾驶领域中驾驶场景建模、仿真所面临的关键问题,对于提高系统的安全性具有重要研究意义.近年来,随着时空轨迹数据建模及应用研究的快速发展,时空轨迹数据应用于特定领域建模的研究引起人们的广泛关注.但由于时空轨迹数据所反映现实世界的多元性和复杂性以及时空轨迹数据的海量、异构、动态等特点,基于时空轨迹数据驱动的安全攸关场景建模的研究仍面临着挑战,包括：统一的时空轨迹数据元模型、基于时空轨迹数据的元建模方法、基于数据分析技术的时空轨迹数据处理、数据质量评价等.针对汽车自动驾驶领域的场景建模需求,我们提出一种基于MOF元建模体系构建时空轨迹数据的元建模方法,根据时空轨迹数据的特征及自动驾驶的领域知识,构建了面向汽车自动驾驶的时空轨迹数据元模型;并基于此,提出基于时空轨迹数据元建模技术体系的自动驾驶安全场景建模方法,并使用场景建模语言ADSML实例化安全场景,构建安全场景库,旨在为此类系统的安全关键场景建模提供一种可行的方案.结合变道超车场景的案例,展示了时空轨迹数据驱动的自动驾驶安全场景元建模方法的可用性,为场景模型的构建、仿真、分析奠定了基础.     

基于GML的地理时空数据建模研究

XML是目前描述数据和交换数据普遍使用的方式,OGC结合XML的优势制定了一个表达地理信息的标记语言GML。论文基于面向对象的思想,提出一个灵活的时间概念框架,这个时间框架能够容易地用XML模式表达,并能与GML模式结合实现时空模式。论文对基于GML表达地理时空数据的方法进行了探讨,在分析GML结构的基础上,研究如何根据GML规范,实现开放式地理时空数据表达,构造应用领域模式。     

侦察卫星战场应用综合仿真系统

研究卫星战场侦察问题,为提高效率保证变轨的姿态控制,时空关系条件是影响侦察卫星战场应用效能的重要因素,采用仿真技术作为时空关系分析的有效手段.通过建立了侦察卫星战场应用综合仿真系统,包括考虑摄动因素的卫星轨道计算模型,卫星机动变轨模型,战场目标系统模型,卫星战场应用效能评估模型.以某光学侦察卫星的变轨侦察过程为例,进行了卫星变轨过程仿真和战场应用效能评估,仿真结果表明了仿真系统的有效性,为设计提供可靠依据.     

基于张量的地学时空场数据组织与分析方法

随着对地观测技术的进步,海量地学时空场数据的积累对时空场数据的建模、检索与分析提出新的要求。基于张量结构构建多维时空场数据组织方法,建立了基于时空立方体模型的数据存储结构,并定义了相应的数据操作功能与数据接口,进而设计了时空场数据的分层索引机制及基于张量运算算子的地学时空场数据分析方法。基于卫星测高数据的系统验证结果表明:本模型可有效支撑多维时空场数据的表达、检索与分析,是对高维时空场数据分析与建模的有益探索。     

基于VTK的海战场电磁信息可视化技术研究

文章从信息可视化的角度,对海战场电磁环境的信息特征进行了初步分析,从不同的角度阐述了可用于电磁数据表征的多种信息呈现方式和方法,说明了基于VTK的海战场电磁信息可视化呈现的基本方法和步骤,并结合VTK工具包,对海战场局部电磁信息进行了数据描述和体视化呈现。     

房产地理信息系统时空数据组织研究

首先对时态GIS的近十几年来的研究进展进行了回顾.然后通过对房产特征的分析,进行房产特征的分类,使之满足实际应用环境的需要.接着,提出了一种时空数据概念模型——基于Petri网的时空数据模型,同等的处理特征的状态和引起状态变化的变迁,不同与以往基于事件或基于状态（如快照等）的时空数据模型,该模型认为状态由变迁的改变,变迁由状态描述,两者互相依赖.通过该模型,将离散的状态和变迁连续化,状态和变迁的因果关系显式表达.最后,对房产GIS中的时空数据进行有机的组织,用现势库、工作库和历史库进行数据存储管理,实现时空分析即历史回溯、未来预测、变化趋势显示等等需求.     

时空数据模型分类及特点分析

时空数据模型（Spatio-temporal Data Model）是TGIS（Temporal GIS即时态GIS）的核心,决定了TGIS系统操作的灵活性,影响和制约TGIS的研究发展。本文简要介绍了时空数据模型的发展历程和研究现状,着重分析了几种典型的时空数据模型,并从模型的时空表达和设计方法两个方面对其进行分类,指出各个模型的优缺点,同时结合当前时空数据模型研究过程中存在的主要问题,从建模机理、模型对象角度及模型功能方面对其发展趋势进行展望。     

基于Geodatabase的面向对象时空数据模型

针对时空数据模型与时态地理信息系统研究中存在的几类问题,提出了一种通用的面向对象时空数据模型GOO—STDM。该模型从时空对象的基本属性和行为出发,运用面向对象方法,将地学对象封装为空间、专题、时间的整体,满足地学对象的what／where／when语义,具有良好的扩展性。在GOO-STDM基础上,利用Geodatabase模型,采用定制ArcGIS的方法,实现了支持双时态语义的原型TGIS系统,既能满足时空表达的需要,又继承了ArcGIS系统的功能。     

面向季节性时空数据的预测式循环网络及其在城市计算中的应用

实际生活中有很多带有季节特征的时空数据,在城市计算领域分布尤广,例如交通流量数据便具有较为明显的以天或周为周期的统计学特征.如何有效利用这种季节特征,如何捕捉历史观测与待预测数据之间的相关性,成为了预测此类时空数据未来变化趋势的关键.传统时序建模方法将时序数据分解为多个信号分量,并使用线性模型来进行预测.此类方法具有较强的理论基础,但对于数据的平稳性要求过于严格,难以预测趋势信息复杂的数据,更不适用于高维的时空数据.然而在真实场景下,季节性时空数据的周期长短可变,且不同周期的对应关系往往并不固定,存在时间、空间上的模式变化与偏移,很难作为理想的周期信号以传统时序方法建模.相比之下,深度神经网络建模能力更强,可拟合更为复杂的数据.近几年有许多工作研究了如何利用卷积神经网络和循环神经网络来处理时空数据,也有一些工作讨论了如何有效利用周期性信息提升预测的准确性.但深度神经网络受困于梯度消失和误差累积,难以捕捉时序数据中的长时间依赖,且少有方法讨论如何在深度神经网络中有效建模上述具有弹性周期对应关系的时空信号.本文针对真实场景下季节性时空数据的上述问题,给出具有弹性周期对应关系的时空数据预测问题的形式化定义,并提出了一种新的季节性时空数据预测模型.该模型包含季节网络、趋势网络、时空注意力模块三个部分,可捕捉短期数据中的临近变化趋势和长期数据中隐含的季节性趋势,并广泛考虑历史周期中的每个时空元素对未来预测值的影响.为了解决深度循环网络难以捕捉时序数据中的长时间依赖的问题,本文提出一种新的循环卷积记忆单元,该单元将上述模块融合于一个可端到端训练的神经网络中,一方面实现了时间和空间信息统一建模,另一方面实现了短期趋势特征与历史周期特征的统一建模.进一步地,为了解决季节性数据中的各周期时空元素对应关系不固定的问题,本文探讨了多种基于注意力模块的时空数据融合方式,创新性地提出一种级联式的时空注意力模块,并将其嵌入于上述循环卷积记忆单元内.该模块建模记忆单元的隐藏状态在不同周期内的弹性时空对应关系,自适应地选取相关度高的季节性特征辅助预测.实验部分,我们选取了两个时空数据预测在城市计算中最为典型的应用:交通流量预测和气象数据预报.本文所提出的时空周期性循环神经网络在北京、纽约的交通流量数据集、美国气象数据集上均取得了目前最高的预测准确性.