1.2　时空数据挖掘

数据挖掘是我们耳熟能详的概念，顾名思义，时空数据挖掘是针对时空数据的数据挖掘。大约从2006年以来，“时空”（Spatial-Temporal）一词一直是学术界和工业界所津津乐道的“时髦”术语，某种程度上成为“前沿”“交叉”和“复杂”等的代名词之一，在理论研究和生产实践中受到了人们的高度重视。

时空数据中蕴含着大量非常有应用价值的信息和知识，对其进行数据挖掘具有非常重要的实践意义。当前，时空数据挖掘已经在诸多领域得到了有效应用，例如，移动电子商务、土地利用分类及地域范围预测、全球气候变化监控、犯罪易发点发现、交通管理与控制、共享车辆实时调度、疾病监控、水资源管理、自然灾害预警、公共卫生与医疗健康等。

依据刘大有等人[1]对时空数据挖掘任务的分类，大致可以分为以下几个方面。

（1）时空模式挖掘：包括周期模式、频繁模式、关联模式等。

（2）时空聚类：基于模型的聚类、基于距离的聚类、基于密度的聚类等。

（3）时空异常检测：基于距离、密度、聚类、模式、规则等的异常检测。

（4）时空预测及分类：位置和轨迹预测、密度和事件预测、结合空间相关性的时间序列预测（Spatial Combined Time Series Prediction）、时空信息组合分类等。

本书所阐述的对象即专门针对道路交通数据的“结合空间相关性的时间序列预测”问题，为了叙述方便，本书将该问题重新命名为道路短期交通状态时空序列预测问题。“短期”（Short-Term）预测与“长期”预测相对，在道路交通领域，短期预测主要服务于控制、诱导等交通管控实践，而长期预测更主要是服务于交通规划等。由这个定义可以看出，本书所讨论的时空预测问题的数据来源于道路交通领域，而非航空、水运等其他交通领域。当然，数据来源的不同，虽然在一定程度上决定了研究方法的特殊性，但不会影响时空预测研究的一般性和通用性，这也就决定了尽管本书针对的是道路交通状态时空序列预测问题，但相应的方法论同样可以在适当修改的情况下，迁移到其他领域的时空数据之上。