LSTM-MSTCN-XGBoost混合模型的時空數據特征挖掘

中圖分類號：TN911.7-34；TP391 文獻標識碼：A 文章編號：1004-373X（2025）16-0157-04

Spatiotemporal data feature mining of LSTM-MSTCN-XGBoost hybrid model

LIYangzheng'，YI Jiliang2

inanUniversityofTechnology，Zhuzhou412Ooo，China;2.GuilinUniversityofAerospaceTechnology，Guilin541004，Ch

Abstract：Duetothespatiotemporalcorelationanddynamicevolutionofspatiotemporaldata，featureminingisdificult. Thesingledimensionalanalysismethodsaredificulttocomprehensivelycaptureitslong-termandshort-termvariation characteristicsofspatiotemporalchanges，whichcaneasilyleadtothelossofkeyinformation.herefore，aspatiotemporaldata feature mining methodbasedontheLSTM-MSTCN-XGBoost hybrid modelis proposed.TheOWLisusedtoconductthe formal modelingofspatiotemporaldata，LSTMandMSTCNmodelsareused tominelong-termandshort-termfeaturesrespectively，and theXGBoostmodel isinputtofuseandoutputfeaturepaternrecognitionresults.Theexperimentalresultsshowthat the spatiotemporaldata features extractedbytheproposedmethod haveaglobal spatiotemporal Moran'sIindex exceeding O.9.In traficspatiotemporaldatamining，thecharacterizationofcongestionfeaturesisalsomorerealistic，providinganeffective approach for spatiotemporal data mining and intelligent decision-making.

Keywords：spatiotemporaldata; featuremining;LSTMmodel;MSTCNmodel; XGBoostmodel;OWLformalmodeling

0 引言

時空數據指包含時間特征和空間特征的數據，此類數據具有時空關聯性與動態變化性。自前在交通、氣象、環境監測等領域，時空數據為主流數據，而在交通擁堵態勢推演、氣象災害動態監測、城市能源供需預測等場景中，該數據蘊含著支撐決策的關鍵信息，但其多維度耦合、動態演化的特性，也讓特征挖掘成為難題[2。

文獻[3]構建了一種圖小波卷積神經網絡模型，能同時捕捉時空數據的拓撲結構、時序特征及時空關聯，不過在處理大規模時空數據時，特征分解耗時久，難以滿足對實時性要求高的場景。文獻[4]針對雷達探測料位數據，通過周期性地提取過濾時序噪聲，并利用極大似然估計抑制空間單點噪聲，實現了有效特征提取。但該方法缺乏顯式時空交互建模，未考慮特征間的非線性映射，導致高層時空語義特征丟失。文獻[5]采用時空稀疏注意力網絡，從空間和時間角度挖掘特征，但稀疏閾值需人工設定，閾值過低會忽略重要依賴關系，且難以自適應不同場景的時空關聯復雜度。文獻[6]利用核主成分分析法與長短期記憶神經網絡構建時空特征集，但核主成分分析法是靜態映射方法，無法動態捕捉新空間依賴關系，致使數據空間特征提取失真。

本文提出一種基于LSTM-MSTCN-XGBoost混合模型的時空數據特征挖掘方法，旨在突破單一模型對時空數據復雜模式的挖掘瓶頸。

1時空數據特征挖掘方法

1.1基于……