论时空大数据

❶ 院士专家谈 - 时空大数据：地理信息产业融合发展必由之路

作 者 ：中国工程院院士 王家耀

地理信息产业是以现代测绘和地理信息系统、遥感、卫星导航定位等技术为基础，以地理信息资源开发利用为核心，从事地理信息获取、处理、应用的高技术服务业。自20世纪60年代地理信息系统提出以来，其应用逐渐拓展到多个行业，从产生、成长到壮大，地理信息产业发展取得了可喜成绩。

当前，我国的经济和 社会 发展已经进入新的 历史 阶段， 社会 主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾；以5G、云计算、大数据、边缘计算、物联网等为代表的新技术快速发展，人工智能技术也因深层神经网络的成功而获得了巨大进步；随着我国行政体制改革和自然资源管理体系的建立，地理信息产业已融入自然资源管理体系中。面对新的 社会 需求、新的技术进步和新的管理体系要求，亟待根据国家大政方针、 社会 生产需要、技术发展趋势、产业发展规律，做好地理信息产业的工程技术、商业模式、产品类型的转型升级与融合创新，进一步提高地理信息产业发展的质量和水平。

地理信息产业融合发展的驱动力——人工智能

信息化的发展遵循从数字化到网络化再到智能化的规律，地理信息产业的发展亦如此，智能化是地理信息产业融合发展的高级阶段。

“互联网 ”改变了地理信息产业发展的思维方式。“互联网 ”的本质是跨界融合。“基础地理信息 ”和“通用时空大数据平台 ”的本质也是跨界融合。“ ”是核心，提出跨界融合的解决方案是关键。只有这样，才能更充分地发挥基础地理信息和通用时空大数据平台的“基础”和“通用”作用，实现地理信息产业到时空大数据产业的转型升级。

云计算具有的信息资源管理、处理和应用的“全面弹性”，可以支撑“地理信息产业”到“时空大数据产业”的转型。时空大数据产业化需要超强计算能力的支持。云计算作为一种新的计算模式，通过“池化”和“云化”把数千台甚至上万台机器都放在一个“池子”里面，这是“资源弹性”；并在“资源弹性”即基础设施即服务（IaaS）之上增加了一层“应用弹性”，包括平台即服务（PaaS）和软件即服务（SaaS），以满足时空大数据的“应用弹性”需求。云计算支撑时空大数据处理的分布式、协作（同）化和智能化；通过任务分解，解决分布式问题；通过工作流重构，解决并行问题；通过算法调度，解决协作（同）化问题。

时空大数据产业

——属于第四产业的范畴

时空大数据，指基于统一时空基准活动或存在于时间和空间与位置直接或间接相关联的大数据。据此，时空大数据由时空框架数据和时空变化数据两大类数据组成。

时空框架数据指基于统一时空基准的卫星导航定位数据（含连续运行参考站 CORS数据）、遥感影像数据、地图数据、地名数据等。时空变化数据包括 社会 经济人文数据、位置轨迹数据、与位置相关联的空间媒体数据、社交网络数据、搜索引擎数据、视频观测数据、生态环境监测数据等。时空变化数据聚合（关联）在时空框架数据上，就构成了时空大数据。时空大数据具有位置、属性、时间、尺度、分辨率、多样性、异构性、多维性、价值隐含性、快速性等特性。时空大数据产业，指以天空地海传感器网络为基础，以时空信息“获取（传感网） 处理（生产） 应用（服务）”为产业链，以人工智能等新兴信息技术为支撑，以数据密集型计算为特征的知识密集型信息产业，属于从第三产业中分离出来的第四产业的范畴。同地理信息产业相比较，时空大数据产业内涵要宽泛得多，规模要大得多，类型更具多维性和多样性，知识更密集，速度更快，产品更加多样化和个性化，其应用领域更加广阔，具有良好的产业发展前景。

时空大数据产业化的核心

——时空大数据平台

时空大数据平台是时空大数据产业化的核心。

它是指把各种分散的和分割的大数据即时空框架数据和时空变化数据汇聚到一个特定的平台上，并使之发生持续的聚合效应。这种聚合效应就是通过数据多维融合和关联分析与数据挖掘，揭示事物的本质规律，对事物做出更加快捷、更加全面、更加精准和更加有效的研判和预测。从这个意义上讲，时空大数据平台是大数据的核心价值，是大数据发展的高级形态，是大数据时代的解决方案。从产业化的角度讲，通用时空大数据平台是指将时空框架数据汇聚在一个特定平台上，利用这个平台生产军民两用的基础测绘地理信息产品。

所谓“通用时空大数据平台+”模式，即以通用时空大数据平台作为框架，聚合民用、军用的时空变化数据，分别构成时空大数据平台。“通用时空大数据平台+民用”模式，即将地方政府各部门各行业的政务、自然资源、规划、交通、水利、管网、人口、经济、人文、 社会 、医疗、教育、电力、公安等数据汇聚在通用时空大数据平台上，使之成为新型智慧城市的“智脑”，通过持续的聚合效应，生成各类（种）民用深加工知识产品，为政府综合决策、各部门各行业和 社会 公众提供智能化服务。

时空大数据产业化是通过时空大数据平台产业化实现的。因为时空大数据产业化是一个新问题，应该走一条从基础研究起步的产业化创新之路。这条创新之路首先要研究和建立以数据科学为核心的时空大数据理论体系。目前，“数据科学”的边界还不清晰，时空大数据理论研究薄弱，更未形成时空大数据的理论体系，而这是时空大数据产业化的基础。因此，这条创新之路要研究和建立以“数据隐含价值 计算发现价值 应用实现价值”为核心，以“数据获取（传感器网） 处理（生产） 应用（服务）”为产业链的时空大数据产业化技术体系。走在这条创新之路上的人，更要研究和设计包括软件产品、硬件产品、软硬件集成产品、各类（种）应用平台产品和数字产品在内的时空大数据产品体系。

总之，在当前全球数字经济快速发展的大背景下，数字化的知识和信息作为关键生产要素，以数字技术为核心驱动力量，以现代信息网络为重要载体，通过数字技术与实体经济深度融合，数字经济能够不断提高经济 社会 的数字化、网络化、智能化水平，以加速重构经济发展与 社会 治理模式。地理信息产业作为处理位置数据的核心产业，可以积极推动其基于“通用时空大数据平台+”模式深度融入数字产业化、产业数字化、数字化治理与数据价值化领域，积极融入自然资源管理工作整体布局，主动引领以地理信息为基础的新型智慧城市、实景三维中国、新型基础测绘建设，推进地理信息产业向全产业链发展，扩大地理信息产品供给面，加大地理信息消费级产品研发，鼓励新应用、培育新市场，让地理信息产品通过生态建设、智慧管理、数字经济服务国家战略建设并惠及全 社会 ，从而促使地理信息产业向时空大数据产业的融合发展与转型升级。

❷ 时空大数据与世界地理的关系

时空大数据是世界地理产业融合发展必由之路。时空大数据，指基于统一时空基准活动或存在于时间和空间与位置直接或间接相关联的大数据，可以积极推动其基于通用时空大数据平台+模式深度融入数字产业化、产业数字化、数字化治理与数据价值化领域，积极融入自然资源管理工作整体布局，主动引领以地理信息为基础的新型智慧城市、实景三维中国、新型基础测绘建设，推进地理信息产业向全产业链发展，扩大地理信息产品供给面，加大地理信息消费级产品研发，鼓励新应用、培育新市场，让地理信息产品通过生态建设、智慧管理、数字经济服务国家战略建设并惠及全社会，从而促使地理信息产业向时空大数据产业的融合发展与转型升级。

❸ 什么是时空大数据

时空大数据

spatio-temporal big data

时空大数据定义：基于统一时空基准（时间参照系和空间参照系）、活动（运动变化）在时间和空间中与位置直接（定位）或间接（空间分布）相关联的大规模海量数据集。

相关名词：大数据 科学大数据 场景大数据 遥感大数据 地质大数据 交通大数据

【时空大数据相关】

时空大数据除具有一般大数据的5V特征外，还具有位置特征、时间特征、属性特征、尺度（分辨率）特征、多源异构特征、多维动态可视化特征。时空大数据的这些特征，有助于时空大数据的分析与挖掘，揭示大数据的时间变化趋势和空间分布规律。任何规律的得出，任何决策的作出，都必须依据一定时间、确定地点（地区）的大数据，即时空大数据，同时也给时空大数据的组织、存储、管理和提取增加了难度。

时空大数据由时空框架数据和时空变化数据构成。时空框架数据一般相对变化较慢，包括时空基准数据、全球卫星导航定位（GNSS）与连续运行参考站（CORS）数据、空间大地测量与物理大地测量数据、遥感影像数据、数字地图与地名数据、海洋测绘数据、世界海峡与通道数据等；时空变化数据一般变化快，包括社交网络数据、搜索引擎数据、视频观测数据、网络空间数据、位置轨迹数据、变化检测数据、与位置相关的空间媒体数据、空间环境数据、海洋水文数据、社会经济人文数据、部门行业数据等。时空大数据的核心，是将时空变化数据融合或关联到时空框架数据上。

时空大数据的提出，反映了人们对大数据本质及其研究内容认识的丰富和深化，揭示了大数据的时空特性，明确了数据文化是尊重事实、强调精准、推崇理性和逻辑的科学文化，这是我国时空大数据发展的灵魂。时空大数据的研究，对我国大数据理论体系、技术体系、产品体系和应用服务模式的形成和创新发展具有重要的实践意义，有助于形成数据驱动的大数据创新体系和发展模式，推动构建以数据为关键要素的数字经济并形成现代经济体系，运用大数据提升国家治理的现代化水平与促进保障和改善民生。（时空大数据相关：中国工程院院士、河南大学教授王家耀）

❹ 大数据时代空间数据挖掘的认识及其思考

引言

空间数据挖掘（Spatial Data Mining，SDM）即找出开始并不知道但是却隐藏在空间数据中潜在的、有价值的规则的过程。具体来说，空间数据挖掘就是在海量空间数据集中，结合确定集、模糊集、仿生学等理论，利用人工智能、模式识别等科学技术，提取出令人相信的、潜在有用的知识，发现空间数据集背后隐藏的规律、联系，为空间决策提供理论技术上的依据[1]。

1.空间数据挖掘的一般步骤

空间数据挖掘系统大致可以分为以下步骤：

（1）空间数据准备：选择合适的多种数据来源，包括地图数据、影像数据、地形数据、属性数据等。

（2）空间数据预处理和特征提取：数据预处理目的是去除数据中的噪声，包括对数据的清洗、数据的转换、数据的集成等。特征提取是剔除掉冗余或不相关的特征并将特征转化为适合数据挖掘的新特征。

（3）空间数据挖掘和知识评估：采用空间数据挖掘技术对空间数据进行分析处理和预测，从而发现数据背后的某种联系。然后结合具体的领域知识进行评估，看是否达到预期效果。

2.空间数据挖掘的方法研究

空间数据挖掘是一门综合型的交叉学科，结合了计算机科学、统计学、地理学等领域的很多特性，产生了大量处理空间数据的挖掘方法。

2.1 空间关联规则

关联规则挖掘是寻找数据项之间的联系，表达式形式是X→Y，其中X与Y是两种不相交的数据项集，即X∩Y=？覫。KOPERSKI K等人将关联规则与空间数据库相结合，提出了空间关联规则挖掘[2]。空间关联规则将数据项替换为了空间谓词，一般表达形式如下：

A1∧A2∧…∧An→B1∧B2∧…∧Bm（3）

令A=（A1，A2，…，An），B=（B1，B2，…，Bm），A和B分别表示Ai和Bj的谓词集合，A和B可以是空间谓词或非空间谓词，但是必须至少包含一个空间谓词且A∩B=？覫。SHEKHAR S和HUANG Y针对空间关联规则的特点提出了把关联规则的思想泛化成空间索引点集的空间同位规则的概念，在不违背空间相关性的同时用邻域替换掉了事务[3]。时空关联不仅涉及事件在空间中的关联，还考虑了空间位置和时间序列因素。国内的柴思跃、苏奋振和周成虎提出了基于周期表的时空关联规则挖掘方法[4]。

2.2 空间聚类

空间聚类分析是普通聚类分析的扩展，不能完全按照处理普通数据的聚类分析方法来处理空间数据。由于存在地理学第一定律，即空间对象之间都存在一定的相关性，因此在空间聚类分析中，对于簇内的定义，要考虑空间自相关这一因素。通过对空间数据进行自相关分析，可判断对象之间是否存在空间相关性，从而可合理判断出对象是否可以分为一簇。

基本的聚类挖掘算法有：

（1）划分聚类算法：存在n个数据对象，对于给定k个分组（k≤n），将n个对象通过基于一定目标划分规则，不停迭代、优化，直到将这n个对象分配到k个分组中，使得每组内部对象相似度大于组之间相似度。

（2）层次聚类算法：通过将数据不停地拆分与重组，最终把数据转为一棵符合一定标准的具有层次结构的聚类树。

（3）密度聚类算法：用低密度的区域对数据对象进行分割，最终将数据对象聚类成为若干高密度的区域。

（4）图聚类算法：用空间结点表示每个数据对象，然后基于一定标准形成若干子图，最后把所有子图聚类成一个包含所有空间对象的整图，子图则代表一个个空间簇。

（5）网格聚类算法：把空间区域分割成具有多重分辨率的和有网格结构特性的若干网格单元，在网格单元上对数据进行聚类。

（6）模型聚类算法：借助一定的数学模型，使用最佳拟合数据的数学模型来对数据进行聚类，每一个簇用一个概率分布表示。

仅采用一种算法通常无法达到令人满意的预期结果，王家耀、张雪萍、周海燕将遗传算法与K-均值算法结合提出了用于空间聚类分析的遗传K-均值算法[5]。现实空间环境中，存在很多像道路、桥梁、河流的障碍物，张雪萍、杨腾飞等人把K-Medoids算法与量子粒子群算法结合进行带有空间障碍约束的聚类分析[6]。

2.3 空间分类

分类，简单地说是通过学习得到一定的分类模型，然后把数据对象按照分类模型划分至预先给定类的过程。空间分类时，不仅考虑数据对象的非空间属性，还要顾及邻近对象的非空间属性对其类别的影响，是一种监督式的分析方法。

空间分类挖掘方法有统计方法、机器学习的方法和神经网络方法等。贝叶斯分类器是基于统计学的方法，利用数据对象的先验概率和贝叶斯公式计算出其后验概率，选择较大后验概率的类作为该对象映射的类别。决策树分类器是机器学习的方法，采取从上到下的贪心策略，比较决策树内部节点的属性值来往下建立决策树的各分支，每个叶节点代表满足某个条件的属性值，从根节点到叶节点的路径表示一条合适的规则。支持向量机也是机器学习的方法，思路是使用非线性映射把训练数据集映射到较高维，然后寻找出最大边缘超平面，将数据对象分类。神经网络是一种模拟人神经的网络，由一组连接的输入和输出单元组成，赋予各个连接相应的权值，通过调节各连接的权值使得数据对象得到正确分类。

针对融入空间自相关性的空间分类挖掘，SHEKHAR S等人使用空间自回归模型和基于贝叶斯的马可夫随机场进行空间分类挖掘[7]，汪闽、骆剑承、周成虎等人将高斯马尔可夫随机场与支持向量机结合并将其用于遥感图像的信息提取[8]。

2.4 其他空间挖掘方法

空间数据挖掘的方法多种多样，其他还包括：空间分析的方法，即利用GIS的方法、技术和理论对空间数据进行加工处理，从而找出未知有用的信息模式；基于模糊集、粗糙集和云理论的方法可用来分析具有不确定性的空间数据；可视化方法是对空间数据对象的视觉表示，通过一定技术用图像的形式表达要分析的空间数据，从而得到其隐含的信息；国内张自嘉、岳邦珊、潘琦等人将蚁群算法与自适应滤波的模糊聚类算法相结合用以对图像进行分割[9]。

3.结论

空间数据挖掘作为数据挖掘的延伸，有很好的传统数据挖掘方法理论的基础，虽然取得了很大进步，然而其理论和方法仍需进一步的深入研究。伴随着大数据时代，面对越来越多的空间数据，提升数据挖掘的准确度和精度是一个有待研究的问题。同时现在流行的空间数据挖掘算法的时间复杂度仍停留在O（nlog（n））~O（n3）之间，处理大量的异构数据，数据挖掘算法的效率也需要进一步提高。数据挖掘在云环境下已经得到很好的应用[10]，对于处理空间数据的空间云计算是有待学者们研究的方向。大多数空间数据挖掘算法没有考虑含有障碍约束的情况，如何解决现实中障碍约束问题值得探讨。带有时间属性的空间数据呈现出了一种动态、可变的空间现象，时空数据挖掘将是未来研究的重点。

由于数据挖掘涉及多种学科，其基本理论与方法也已经比较成熟，针对空间数据挖掘，如何合理地利用和拓展这些理论方法以实现对空间数据的挖掘仍将是研究人员们需要长期努力的方向。

参考文献

[1] 李德仁，王树良，李德毅.空间数据挖掘理论与应用（第2版）[M].北京：科学出版社，2013.

[2] KOPERSKI K， HAN J W. Discovery of spatial association rules in geographic information databases[C]. Procedings of the 4th International Symposium on Advances in Spatial Databases， 1995： 47-66.

[3] SHEKHAR S， HUANG Y. Discovering spatial co-location patterns： a summary of results[C]. Procedings of the 7th International Symposium on Advances in Spatial and Temporal Databases， 2001：236-256.

[4] 柴思跃，苏奋振，周成虎．基于周期表的时空关联规则挖掘方法与实验[J]．地球信息科学学报，2011，13（4）：455-464.

[5] 王家耀，张雪萍，周海燕.一个用于空间聚类分析的遗传K-均值算法[J].计算机工程，2006，32（3）：188-190.

[6] Zhang Xueping， Du Haohua， Yang Tengfei， et al. A novel spatial clustering with obstacles constraints based on PNPSO and K-medoids[C]. Advances in Swarm Intelligence， Lecture Notes in Computer Science （LNCS）， 2010： 476-483.

[7] SHEKHAR S， SCHRATER P R， VATSAVAI R R， et al．Spatial contextual classification and prediction models for mining geospatial data[J]． IEEE Transactions on Multimedia， 2002， 4（2）：174-187.

[8] 汪闽，骆剑承，周成虎，等.结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网[J].遥感学报，2005，9（3）：271-275.

[9] 张自嘉，岳邦珊，潘琦，等.基于蚁群和自适应滤波的模糊聚类图像分割[J].电子技术应用，2015，41（4）：144-147.

[10] 石杰.云计算环境下的数据挖掘应用[J].微型机与应用，2015，34（5）：13-15.

来源 | AET电子技术应用

❺ 什么是智慧城市时空大数据与云平台

智慧城市是在数字城市、平安城市等基础框架之上建立的全新实体，通过物联网将现实世界与数字世界进行有效融合，自动和实时地感知现实世界中人和物的各种状态和变化，由云计算中心处理其中海量和复杂的计算与控制，为城市管理和公众提供各种智能化的服务。

从国家政策来看，中国“863计划”智慧城市项目总体技术体系架构在科技部863计划“智慧城市(一期)”项目的支持下，863计划智慧城市项目(一期)总体组提出了“六横两纵”的智慧城市技术框架。“六横”层层递进，最下层的是城市的感知层，再是传输层，再上面依次分别是处理层、支撑服务层、应用服务层，最上面是智慧应用层，贯穿全局的是安全保障体系以及标准与评测。

而要真正实现智慧城市，必须引入大数据技术，主要包含三大方面的需求，通过以下三个方面才能实现海量数据的搜集、处理、加工、分析，并真正作用于具体细分行业：

一、大数据融合技术

我国智慧城市建设面临的重大挑战之一，是城市系统之间由于标准问题无法有效集成，形成信息孤岛。因此，在大数据融合技术领域，一方面要加强大数据标准建设，另一方面要加强海量异构数据建模与融合、海量异构数据列存储与索引等关键技术研发，为给予底层数据集成的信息共享提供标准和技术保障。

二、大数据处理技术

大规模数据在智慧城市系统流动过程中，出于传输效率、数据质量与安全等因素的考虑，需要对大规模数据进行预处理。大数据处理技术往往需要与基于云计算的并行分布式技术相结合，这也是目前国际产业界普遍采用的技术方案。

三、大数据分析和挖掘技术

大数据分析与挖掘技术为智慧城市治理提供了强大的决策支持能力。相比于大数据融合和处理技术，大数据分析与挖掘技术更为复杂，是国际学术界和产业界面临的极具挑战性的技术难题。

随着大数据技术的不断发展，以及行业用户对大数据技术的需求日渐明显，大数据行业应用遍地开花。小编通过金鹏信息在智慧城市大数据应用的探索，分享一些国内外的实际案例供借鉴。

1.国内的智慧城市

2013年3月，北京市的“智慧朝阳服务网”正式上线。通过大数据技术的处理、分析手段，从支撑库提炼出数据后发送到服务管理系统，然后通过服务门户，包括微信、微博、移动应用、服务网站、机顶盒等多元化的方式与不同的用户群体进行沟通。

2.国外的智慧城市

瑞典首都斯德哥尔摩市政府在通往市中心的道路上设置了18个路边控制站，通过使用RFID技术以及利用激光、照相机和先进的自由车流路边系统，自动识别进入市中心的车辆，自动向在周一至周五(节假日除外)6:30到18:30之间进出市中心的注册车辆收税。通过收取“道路堵塞税”减少了车流，交通拥堵降低了25%，交通排队所需的时间下降50%，道路交通废气排放量减少了8%-14%，二氧化碳等温室气体排放量下降了40%。

3.智慧医疗

金鹏信息医疗制定了基于英特尔大数据解决方案的区域卫生数据中心建设目标，在郑州区域卫生数据中心形成了完整的大数据解决方案。经过反复测试和调优，这一区域卫生大数据计算架构可以满足海量数据(一亿条以上记录数)的高并发检索和实时数据分析的性能要求，满足了“智慧”的大数据需求。

4.智慧警务

通过充分利用云计算、物联网、大数据和视频智慧分析技术、GIS(地理信息系统)、GPS(全球定位系统)、移动通信网络、移动警务智能系统、数字集成等前沿科技，实现警务工作现代化、智能化、流程化、可视化。

5.智慧交通

郑州建立智能公交系统，使公交车信息就在地图上显示出来：如最近的一辆公交车还有5分钟到站，满员;下一辆公交车还有10分钟到站，有空座，可以选择乘坐;下楼2分钟，走到站台1分钟，余下7分钟，还有时间坐下喝杯热茶。

6.智慧消防

郑州建立智能消防系统，报警人只需拨打119，系统将立刻定位报警人当前位置，并调用位置所在区域监控摄像头，确定灾情地点和火势情况。

7.智慧城市规划

在城市规划方面，通过对城市地理、气象等自然信息和经济、社会、文化、人口等人文社会信息进行挖掘，可以为城市规划提供强大的决策支持，强化城市管理服务的科学性和前瞻性。
金鹏信息智慧城市解决方案

❻ 如何让大数据落地转化时空大数据专家们精彩分享

“如何让新新大数据势力落地，将成果转化成项目，实现就地转化？”

在日前举行的“时空大数据2021年度大会”分论坛——时空大数据产业生态协同创新论坛上，河南大学人文与建筑时空大数据融合研究中心执行主任王振凯提出了这一疑问，现场的专家们围绕这一主题进行了深入探讨与交流。

全球人文与时空大数据
让建筑工程可视化

王振凯介绍，通过时空大数据平台，衍生出时空大数据集合系统。该系统集合了建筑信息、地球信息、交网信息、电网信息、水网信息、市政信息、人文信息等集合系统，最终得出全球人文、建筑与地理环境时空数据基础。

简单来说，工程可以通过时空大数据来具象化，大到建筑物本身，小到建筑物内一根钢管，都能清晰可见，甚至可以见到建筑物内钢管内部。精确的时空大数据让工程成本管控、进度管控都有迹可循。

TOD与城市时空大数据融合
建轨道就是建设城市

轨道交通带给人民快捷速度的同时，新的拥堵问题又出现了。地铁“建的起，养不起”的问题如何破局？如何让交通拥堵得到缓解，同时又能赋予交通线更多的经济价值？TOD模式由此营运而生。

“TOD模式是以公共交通为导向的开发模式（transit-oriented development，TOD）。”中铁上海设计院集团有限公司TOD中心主任郭琳解释，就是在规划居民区或者商业区时，使公共交通的使用最大化的一种非 汽车 化的规划设计方式。该模式可以同步城镇化进程，带动城市经济提升。

郭琳认为，建轨道就是建设城市，经营轨道就是经营城市。轨道交通建设中会出现技术、主体、利益、主体边界不明确，这就要破解融合。TOD模式通过大数据为未来城市提供了无限可能。未来是TOD5.0时代，通过可视化鼓励机制，为城市碳达峰做贡献。

一苇数智·时空大数据平台

时空大数据构建交通底座

众合 科技 对构建轨道交通的时空大数据底座进行了实践，一苇数智·时空大数据平台应运而生。构建数字孪生、挖掘数据价值、实现万物互联、赋能业务创新，是一苇数智平台四个显著的特点。现场，浙江众合 科技 股份有限公司研发中心总经理王厦通过示例进行了深入浅出的讲解。

数字孪生，即通过一张图可以看到地上空间和地下空间，两者结构关系一目了然。同时，数字空间里还能看到空间构架的物件、供应商信息等信息，无论产品质量监控还是施工进度都可以实时跟踪。

一苇数智平台以数据驱动业务，在四维数据的海洋中为业务挖掘更深层次的价值。王厦介绍，平台可以接入到终端设备，数据接口对外开放给合作伙伴和应用程序开发人员。

“我们愿意共享平台及其内部功能与数据，与用户、合作伙伴建立起价值的连接，所谓的万物互联，一切可联通。”王厦说。

利用智能引擎，平台可向每项业务提供AI能力和模型算法，同时为行业应用提供便捷易用的开发模板和工具。数据快速迭代为有效创新提供了支持。“早高峰的地铁内，你可以提前知道哪节车厢比较空，从容候车避免拥挤。”王厦用这一实例介绍了一苇数智平台在赋能业务创新上所能起到的作用。

大数据助力园区管理

天集产城集团有限公司产城项目总经理李书江分享了时空大数据在园区管理上的应用。他介绍，时空数据库分共有与私有，私有数据库体现了建筑数据、资产管理、现场施工进度、物料管理、智能化运维。智慧运维端深入园区日常需求，进行智慧园区的运营管理，全面了解园区企业基本经营情况，为企业在银行和金融机构贷款做增信（从抵押增信到数据增信）。

此外，通过可视化界面，时空大数据还可以帮助企业进行员工打卡、门禁管理、智能管控和设备管理。平台内还能导入政务服务和其他功能性服务，助力企业完成工商注册、财税服务、知识产权、社保服务、法律服务等各类事项。

高效协同的时空大数据生态链

“每天要从家的A点到工作地B点，有多条路可以走，早晨出发可以选择路上有早餐店和咖啡馆的路线，晚上下班可以换一条路线，看看哪里有聚餐点、哪里有商场。这些，大数据生态链都可以为你作出指引。”维正集团企知道产学研科研成果转化有限公司总经理李志慧从城市信息、物质和 社会 空间，三者连接共生数据互补出发，生动解释了时空大数据生态链。

她表示，时空大数据是具有时空属性的数据，搭建大数据集合平台，从而产生更广泛的应用场景，引入联盟成员，便能为大众生态搭建出一套高效协同、开放包容的运行规律。

科技 金融助力推动时空大数据

力合金融控股股份有限公司创新基金管理总经理申康认为， 科技 和金融的结合决定了产业未来的发展，是未来时空大数据发展的关键。

中小企业 科技 创新具有投入高、周期长、风险高特征，短期难以依靠自我造血实现滚动发展。中小企业融资难的根本原因在于其天然的弱质性，但传统金融机构很难为中小型新新大数据企业赋能。力合金融利用金融支持打通发展到创新的过程，打造时空大数据产业投资基金，通过差异化服务，满足时空大数据产业不同阶段企业的投资需求，做到差异化赋能。



来源| 科技 金融时报（记者 孙侠）

❼ 谁知道数之联时空大数据智能解译起什么作用

数之联自主研发的时空大数据智能解译平台（AI4EO），能够实现对遥感影像、无人机影像以及视频图像数据的全智能、大规模、高效率的实时处理与分析。传统遥感数据解译这一环节很大程度上依赖判读员的经验进行人工解译。由于遥感影像数据量大，这就导致遥感影像的解译过程处理速度慢、对判读员要求高；通过时空大数据平台就可以高效处理与分析，降低遥感解译的时间和人力成本，提高生产效率。欢迎你采纳我的回答，给个大大的赞吧。

❽ 时空观的特点在于哪

时空数据是同时具有时间和空间维度的数据，现实世界中的数据超过80%与地理位置有关。时空大数据包括时间、空间、专题属性三维信息，具有多源、海量、更新快速的综合特点。随着科学技术的快速发展,人类对自身生活环境的探索已经不仅仅局限于周围的世界，探索空间的外沿急剧扩展，已经遍及地球各个角落、各个圈层,并延伸到外太空。因此，如何表述人类活动的客观世界和活动特征，已经成为了科研机构和人员研究的热点和重点。伴随着计算机技术的发展,如何利用计算机模拟和表征客观世界和人类活动，无疑也为学者提供了广阔的研究空间。

伴随着人们探索空间的过程,各种信息的获取范围也从局部地面、全球地表、地球各个圈层扩展到地球内外的整个空间，从原有二维平面空间基准逐步演变到三维空间基准，进而演变到反映地理空间对象时空分布的四维空间基准。时空数据是指具有时间元素并随时间变化而变化的空间数据，是描述地球环境中地物要素信息的一种表达方式。这些时空数据涉及到各式各样的数据，如地球环境地物要素的数量、形状、纹理、空间分布特征、内在联系及规律等的数字、文本、图形和图像等,不仅具有明显的空间分布特征，而且具有数据量庞大、非线性以及时变等特征。同时具有时间和空间维度的数据，现实世界中的数据超过80%与地理位置有关。时空大数据包括时间、空间、专题属性三维信息，具有多源、海量、更新快速的综合特点。时空数据由于其所在空间的空间实体和空间现象在时间、空间和属性三个方面的固有特征，呈现出多维、语义、时空动态关联的复杂性，因此，需要研究时空大数据多维关联描述的形式化表达、关联关系动态建模与多尺度关联分析方法，时空大数据协同计算与重构提供快速、准确的面向任务的关联约束。