null

时空数据集 收集时空数据集以用于网络科学，深度学习和通用机器学习研究。 内容 匈牙利的水痘病例 描述 匈牙利每周水痘（儿童疾病）病例的时空数据集。 该数据集由一个县级邻接矩阵和2005年至2015年之间的县级报告病例的时间序列组成。有两个特定的相关任务： 县级病例数预测。 国家一级的病例数预测。 链接 特性 导演：没有。 节点功能：是。 时间的：是的。 匈牙利县 节点数 20 边缘 61 密度 0.3211 传递性 0.4134 可能的任务 计数数据回归 引用 @misc { rozemberczki2021chickenpox , title = { {Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural

Matlab代码sqrt MATLAB中的动态模式分解 MATLAB函数，用于对时间间隔均匀的时空数据执行动态模式分解（DMD）。 简单来说，它将数据分解为具有固定频率和增长率/衰减率的振荡时空模式。 资料来源 该脚本基于Steven L. Brunton和J. Nathan Kutz在“数据驱动的科学与工程”一书中介绍的技术和代码，以及其上可用的代码。 有关此方法的详细说明，请参见下面的史蒂夫视频。 DL Donoho和M. Gavish在 用法： 本示例说明如何在2D速度场数据上计算DMD。 假设速度ux和uy在时间1到m+1上存储在大小(NX,NY)网格上，时间间隔相等。 数据矩阵的大小为(n,m+1)其中n=2*n0 ，并且n0=NX*NY ，其中data(1:n0,k)在时间t_k为ux ，被t_k平为向量，并且类似地data(n0+1:2*n0,k)为uy 。 然后，可以使用以下公式计算DMD： X = data(:, 1 : end - 1 ) % Size (n,m) Xprime = data(:, 2 : end ) % Size (n,m) % If all th

-匈牙利-水痘-病例 匈牙利每周水痘病例的时空数据集。 该数据集由一个县级邻接矩阵和2005年至2015年之间的县级报告病例的时间序列组成。

Trajectory_Clustering 应用时空数据挖掘技术来执行轨迹聚类

5G 网络中超密集基站的部署规划、多维资源管理、活跃/休眠切换等方面都依赖于对区域内用户数量的准确预测。针对这一需求，提出了一种基于移动网络用户位置信息的区域人群流量预测的深度时空网络模型。通过建模不同尺度的时空依赖关系，融合各种外部特征信息，并以短时局部流量信息降低对实时全局信息传输的要求，实现了城市范围的区域人群流量预测，对提高5G网络性能具有重要意义。通过基于呼叫详单数据的区域人群流量预测实验表明，与现有流量预测模型相比，所提模型具有更高的预测精度。

多步骤提前预测 该项目的目的是研究时空数据的多步提前预测中的两个方面： 动态模型与静态模型：我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中，先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后，将循环网络的输出扩充到数据中的其他要素，以形成完整的要素集。 相反，在静态模型中，没有递归的体系结构，并且先前时间步长上的时间序列值直接增加到其他特征上。 数据拆分方法：我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比，为时间序列数据形成验证集更具挑战性。 具体来说，许多机器学习任务可以看作是插值，其中训练和测试集中的特征范围是相似的。 另一方面，时间序列预测（特别是多步提前预测）是一项外推任务。 我们要提出的问题是，在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。 我

#资源达人分享计划#

基于OpenGIS简单要素规范的面向对象时空数据模型研究，对如何在网络上运用通用GIS数据传输和建模标准表达空间数据，以便完善空间数据互操作和广泛的共享。

时空数据模型概念及分类。 课程设计论文，部分摘抄，引用已说明。 仅供参考，内容正确与否自己判断。