作者与发表信息
本文题为“Spatio-temporal predictive modeling techniques for different domains: a survey”，作者包括Rahul Kumar、Manish Bhanu、Joydeep Chandra，均来自Indian Institute of Technology Patna，以及João Mendes-Moreira，来自Universidade do Porto的Faculdade de Engenharia和LIAAD-INESC Porto L.A.。该综述发表于 *ACM Computing Surveys*，于2024年10月出版，DOI为10.1145/3696661。
论文主题与目标
本文是一篇综述性学术论文，系统梳理了跨领域时空预测建模的技术方法。论文首先指出时空数据的核心特征在于其同时依赖空间与时间两个维度，这一特性在交通流量、气候模式、疾病传播和农业产量等真实场景中普遍存在。然而，现有综述大多局限于某一特定领域，如智能交通、城市计算、流行病预测或气候预报，缺乏跨领域的综合性比较。为了弥补这一空白，作者对交通、流行病与疾病预测、气候与天气预测、农业产量估计以及环境数据预测等多个领域的技术方法进行了统一分析，旨在揭示不同领域间时空数据特征的异同，并为未来研究提供跨学科视角。
时空数据在各应用领域的重要性
在智能交通系统中，时空数据来自环路检测器、雷达和摄像头等传感器，用于采集交通流量、速度和占用率等实时信息。时空分析能够识别高峰期拥堵等周期性模式，预测未来交通状况，并为路线导航与基础设施规划提供支持。在气候与天气预测领域，气象站、卫星和雷达等设备收集温度、湿度、风速、降水等参数，时空分析有助于捕捉区域气候差异和长期变化趋势，例如气温上升或降水模式改变。在精准农业中，时空数据用于整合土壤条件、气象模式和作物健康状况，帮助农民在灌溉、施肥和病虫害管理方面做出精确决策，从而提高产量预测的准确性。在流行病与疾病预测方面，时空模型整合流行病学数据、人口密度、流动模式和医疗基础设施信息，以识别疾病传播的热点区域并预测疫情发展趋势，为公共卫生干预提供依据。
时空预测面临的主要挑战
论文详细论述了将空间与时间维度联合建模所面临的多重挑战。首先是数据可用性与质量问题。时空预测需要大量来自多源的数据，但测量误差、传感器限制、缺失值和噪声都会影响数据质量，且数据共享受到所有权、隐私和政策的制约。其次是数据的异质性与耦合相关性。时空数据来源多样，格式、分辨率和精度各异，同时变量之间存在复杂的非平稳耦合关系。第三是计算复杂度与可扩展性，高维数据需要专门的计算资源和可扩展算法。第四是过拟合与泛化问题，复杂模型可能捕捉噪声而非真实模式。第五是非平稳模式，时空数据常表现出趋势、季节性波动等动态变化，要求模型能够适应变化中的规律。第六是外部因素的整合，如天气、人口和社会经济数据难以融入现有模型。第七是可解释性与透明度，尤其是深度学习等黑箱模型难以理解其决策依据。最后是不确定性，模型选择和参数设置会带来预测差异。
时空预测方法的分类与阐述
论文将时空预测方法划分为五大类。第一类是时间序列方法，包括ARIMA、SARIMA、ARIMAX、ST-ARIMA、VAR和VARIMA等模型。这些方法擅长捕捉时间依赖性和季节性，但要求序列平稳，难以处理非线性和复杂交互。卡尔曼滤波适用于从噪声数据中进行实时状态估计，但对动态时空模式的刻画能力有限。
第二类是传统机器学习方法。支持向量机通过核函数将输入空间映射到特征空间以构建非线性边界，已应用于天气预报和COVID-19病例预测，但在非平稳模式和大型数据集上存在局限。随机森林通过集成多个决策树提升预测性能，在农业用水优化和交通预测中有应用。K近邻算法基于特征相似性进行预测，适用于降雨预测和疫情传播分析。高斯过程是一种强大的非参数模型，通过协方差函数建模时空依赖，但计算复杂度较高。浅层神经网络具有较高的鲁棒性，但由于缺乏可解释性和对大量标注数据的需求，其应用受到限制。
第三类是概率图方法。贝叶斯网络使用有向无环图表示变量间的概率关系，马尔可夫随机场使用无向图，隐马尔可夫模型则扩展为动态贝叶斯网络，已用于交通速度预测和气候变量预测。这些方法能够明确建模不确定性，但在预测精度上可能不及深度学习方法。
第四类是低秩方法。奇异值分解将数据矩阵分解为正交分量以识别时空模式，奇异谱分析将其扩展用于时间序列分解。主成分分析通过方差最大化确定正交分量，已用于风速预测和交通预测。然而，低秩方法假设线性关系，难以捕捉复杂的非线性时空依赖。
第五类是深度学习方法。混合时空深度学习模型包含卷积循环模型和循环图模型两大分支。卷积循环模型如ConvLSTM利用卷积层捕捉空间特征，利用循环层处理时间序列，但面临梯度消失和难以处理不规则数据的问题。循环图模型结合图神经网络和循环网络，如GCN-LSTM或GCN-GRU，能够处理图结构数据，但在长程依赖和不规则时间间隔上存在不足。图卷积模型如STGCN采用全卷积结构，通过空间图卷积和时间门控卷积的级联来建模，计算效率较高，但随着层数增加会出现过度平滑问题。
注意力机制与Transformer模型
论文进一步讨论了注意力机制在时空预测中的应用。在智能交通中，注意力机制可以动态分配权重，使模型关注与当前预测最相关的时间步和空间位置。在气候建模中，注意力机制能够捕捉长期趋势和季节性模式。在精准农业中，注意力模型可根据作物生长阶段调整资源分配策略。在流行病预测中，注意力机制可以聚焦于潜伏期、接触追踪和干预效果等关键时间因素。
Transformer模型最初用于自然语言处理，后来被成功应用于时空预测。其核心思想是用自注意力机制替代循环神经网络。时空Transformer是最早期的Transformer扩展，能够同时捕捉空间关系和时间动态。图Transformer将图结构信息融入Transformer，利用图注意力机制聚合相关节点信息。图卷积Transformer结合了图卷积网络和Transformer，有效处理各领域的时空依赖。视频Transformer专门用于视频数据的时空建模。此外还有针对特定领域的Transformer变体，如用于农业产量预测的CropFormer、用于气象预测的MSAFormer和用于长期气候预测的ClimFormer。生成对抗网络也被用于时空数据建模，例如TrafficGAN模型整合CNN和LSTM来捕捉路网中的时空相关性，另有用GAN进行降雨预测的研究。
论文的意义与价值
本文的学术价值在于提供了跨领域的综合性视角，打破了传统综述局限于单一应用领域的格局。通过对比交通、气候、农业和流行病预测中使用的模型方法，论文揭示了时空数据建模的共同特征和领域差异，为研究者提供了跨学科方法论借鉴的可能。例如，交通预测中处理传感器数据缺失和噪声的技术可能对气候建模有参考意义，而气候预测中的非线性建模方法也可能惠及农业产量估计。论文还系统整理了各领域公开数据集的来源与特征，包括智能交通领域的PeMSD4和METR-LA等数据集、气候领域的ERA5和GSMaP等数据集、农业领域的GDHY和USDA数据，以及流行病领域的Johns Hopkins University COVID-19数据，为后续实证研究提供了资源指引。从应用价值看，论文强调了时空预测在资源优化配置、基础设施规划和风险管理中的潜在作用，特别是在跨领域协同中可能产生的创新性解决方案。论文最后指出的未来研究方向包括进一步提升模型的可解释性、应对非平稳模式以及整合多源外部因素，为时空预测领域的持续发展提供了方向。