在城市数据分析和智能决策领域，时空预测是一个核心问题。它旨在根据历史和实时数据，预测未来某个时间点或时间段内特定区域内的趋势或事件。例如，气象学家预测未来几天的天气变化，或者交通规划者预测高峰时段的交通流量。这些预测能够帮助我们做出更加精准和高效的决策。现有的时空预测模型通常需要先对区域进行固定尺度的划分，这种做法存在两个主要问题：一是需要多个预测模型来处理具有不同尺度和分区的区域预测请求，导致成本高昂；二是不同模型可能会产生多个相互冲突的预测结果，造成预测混乱。在地理科学领域，这一问题也经常被称为“可变面积单元问题(Modifiable Areal Unit Problem)”。

近期，王乐业课题组提出了一个名为One4All-ST的框架，能够对任意尺度可变空间区域进行时空预测，极大提高了预测的灵活性和准确性。One4All-ST框架包含层次化空间关联建模、尺度归一化等新型时空建模模块，能够高效学习多尺度空间表征，显著降低了开发跨尺度时空预测模型的成本。此外，为解决跨尺度预测的不一致性问题，课题组提出基于动态规划的优化方案，可针对任意目标区域找到使预测误差最小化的跨尺度预测结果组合。该研究不仅为尺度可变的时空预测问题提供了新的解决方案，也为未来多尺度、多分区的城市数据分析和智能决策提供了技术支持。

图 One4All-ST的框架图

研究成果以“A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units”为题，已被International Conference on Data Engineering (ICDE) 2024接收。ICDE是中国计算机学会(CCF)推荐的最高等级A类会议，也是数据库领域三大顶级会议之一，将于2024年5月13日至17日在荷兰乌得勒支举办。

文章第一作者是博士生陈李越（指导教师王乐业），合作作者包括博士生房江祎、刘腾飞（中国地质大学）、曹绍升（滴滴出行）以及王乐业老师，其中曹绍升和王乐业为本文通讯作者。

论文信息：

Chen L, Fang J, Liu T, Cao S, Wang L. A Unified Model for Spatio-Temporal Prediction Queries with Arbitrary Modifiable Areal Units. arXiv preprint arXiv:2403.07022, 2024.

论文链接：

https://arxiv.org/pdf/2403.07022.pdf