文献综述
一、课题研究的目的与意义随着社会的发展，定位系统、传感器网络等技术在日常生活中快速普及，物理存储能力不断提升的同时，也带来了快速增长的时空序列数据。
这些数据广泛存在于交通运输、气候科学、神经科学等领域。
时空序列预测是进行有效决策的关键任务，它在天气预测、出行规划、产量估计等方向上发挥着重要作用。
传统的时空序列预测模型是基于参数模型的预测方法，它们往往存在精度不高，忽略时间序列间的空间关联，适用方向窄等问题。
尤其在处理非线性、非平稳的时空序列预测问题中往往难以捕获动态的时空特征，在面对规模日益增加的时空数据时后继乏力。
由此，基于深度学习的预测方法凭借其提取高阶特质的能力走进了人们的视野。
时空序列数据大致分为三种类型：网格数据、图数据和轨迹数据[1]。
网格时空数据主要是指欧式空间的时空数据，例如一、二、三维欧几里得空间的文本、图片和视频等。
图数据则是指非欧几里得空间数据，例如知识图谱[2]、社交网络[3]、化合物分子结构[4]等。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
