引言

时空领域的数据的应用很广泛，包括环境和气候预测（风预测，降雨预测等），公共安全预测（crime预测），智能交通预测（交通流量预测），人类活动（人类轨迹模式挖掘）。本文将时空数据的类型，和广泛应用的深度学习模型，以及现有的研究进展.

时空数据分类

Even data
事件数据由离散的事件组成，有location和time信息，例如cirme事件和traffic accident事件，疾病爆发事件，社会事件。
Trajectory data
轨迹数据是一系列随着时间变化的经纬度序列组成。有人的轨迹和车的轨迹。
Point reference data
一般都是气象数据，测量一个区域的温度，植被等。
Raster data（栅格数据）
有固定的m个区域，每个区域有n个时间段，可以用一个$R^{m \times n}$来表示。例如traffic flow数据。
Vedio data
视频数据和时空数据类似，相邻的像素可以表示相似的RGB，在时间上，特征变化平缓。可以用三维张量表示。

以上的5类数据可以用下图的方式表示。

(1)轨迹和时间序列都可以表示成序列的形式。
(2)有时轨迹也可以表示成2维矩阵，矩阵的行和列是网格的长和宽，矩阵的值表示轨迹走的网格。这个表示形式通常使用CNN模型。例如：（2017NIPS）Human Trajectory Prediction using Spatially aware Deep Attention Models
(3)空间地图可以表示为Graph和2维矩阵。至于使用图还是2D矩阵根据应用而定。例如在城市交通流预测，交通网络中的交通数据使用Graph表示，例如(2018ICLR)Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
(4)网格数据，通常使用2D或3D张量表示，如果是2D矩阵，行和列分别表示区域和时间。如果是3D张量，分别表示区域的行和列，时间。

未完待续。。。