摘要
- 当前的 STF 系统在很大程度上不是用户友好的，无法提供近乎实时的概率和可理解的预测服务。智能STF系统应自动准备各种数据源，自适应训练模型，为用户决策提供及时的预测信息服务。
HighLights
- 回顾时空预测的方法、不确定性和可预测性。
- 人工智能和物理模型的集成，以改进预测。
- 贝叶斯方法预测不确定性的概率建模。
- 开发用于决策的智能时空预测系统。
研究目标
研究内容
- 在地质科学中，下一个地震周期余震模式空间分布的预测是一个STF问题（ DeVries et al., 2018）。
- 在 STF 应用中，预测的提前期可能从毫秒到百万年不等，具体取决于决策的实际时间需求。
- 预测空间不仅限于地理空间，还可以是社交和虚拟空间（Kounadi 等人，2020 年；Stange 和 Funk，2016 年））。
- 新兴的人工智能方法，如机器学习和深度学习方法，可以从数据驱动的角度对时空依赖性进行建模（Jordan 和 Mitchell，2015 年；LeCun 等人，2015 年）。
- 随着计算科学、数学、统计学和许多相关领域的理论和技术进步。人工智能包括机器的各种智能算法，用于解决优化、搜索、处理、学习等问题。
- 数据时代，大容量、高速度、多样性和潜在价值是数据流的主要特征。数据质量评估可以为预测建模提供不确定性信息（图6）。
- 智能 STF 系统应该能够实时自动收集各种数据集用于模型训练，包括数值、名义和区间数据集、知识和规则（图 9）。
- 智能数据准备系统需要强大的数据存储、下载、上传、分析、清理和操作（Santos 等人，2017 年；Zhu 等人，2018 年）。对于时空数据，STF 系统应该能够处理时空数据结构及其关系。
研究方法
结论
解决的问题
正文