根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型。在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测。弥补现有模型在预测因子选取方面的不足,提高预测精度并避免预测的人为主观性。实验结果表明了算法和模型的有效性。

安徽省土地利用的时空分析，对于土地利用描述详细，可以解决毕业论文，相当实用。

trackintel框架 trackintel是一个用于分析时空跟踪数据的库，其重点是人员流动性。 trackintel的核心是用于运输计划的运动数据的分层数据模型 。 我们为人类移动性数据分析的整个生命周期提供功能：导入和导出不同类型的跟踪数据（例如，跟踪点，签入，轨迹），预处理，数据质量评估，语义丰富，定量分析和挖掘任务，以及数据和结果的可视化。 Trackintel基于和 您可以在上找到。 在MyBinder笔记本中在线尝试trackintel ： 资料模型 trackintel数据模型概述： 定位（原始跟踪点，例如GPS记录或签到） 停留点（用户花费时间而不移动的位置，例如，位置定位或签到的集合） 活动（具有目的和语义标签的停留点，例如，开会喝咖啡而不是等公共汽车） 地点（多次访问过的重要地点，例如住所或工作地点） 三次（或阶段）（连续运动而无需更改模式，车辆或停车

本文采用时间序列分析，地理信息，聚类分析，因果关系检验等技术手段对近十年来中国大陆的房价进行了分析。 在比较各省与邻近省之间的房价后，Kmeans集群将连续分布在地图上； 时间序列上的最高价区域和最低价区域也在地图上连续分布； 基于时间序列的因果关系检验发现，六个省的房价增长率受周围省份的影响，而一个省的房价增长率则影响了邻近省份的房价增长率。

GDP是反映一个地区经济发展水平的一个重要指标,尤其对一个国家而言,如何评价和预测全国一段时期的GDP变化是非常重要的,通过线性混合模型,将时间和空间坐标同时纳入一个模型,利用SAS软件编程分析了我国2001～2008年8年全国31个地区的GDP,并且建立了预测方程,给定一个区域的时间便可预测其中任意地点的GDP值.

星星 区域系统的时空分析：用于探索性时空数据分析的软件包。 当前版本的STARS是基于从数字到Numpy的重构。 此版本应可在以下平台上使用 Linux 视窗 苹果电脑 安装 使用Conda（所有平台） git clone https://github.com/sjsrey/stars.git 安装 conda create -n stars python=2 conda activate stars pip install numpy==1.8 matplotlib scipy cd stars/stars; python -i starsgui.py 在Ubuntu下的流浪汉 生成并运行该框： sudo apt-get install virtualbox sudo apt-get install vagrant vagrant up vagrant ssh c

不再维护此独立版本的 EOF 功能。 它仍然可以正常工作，但您可以在此处的 MATLAB 气候数据工具箱中找到最新版本： https : //www.mathworks.com/matlabcentral/fileexchange/70338 。 如果 eof 函数对您有用，请引用我们的 MATLAB 气候数据工具箱论文！ 此函数简化了将经验正交函数（时空主成分分析）应用于气候数据等 3D 数据集的过程。 EOF 分析实施起来并不十分困难，但通常会花费大量时间试图弄清楚如何重塑大型 3D 数据集、获取 EOF，然后取消重塑。 此函数为您完成所有重塑工作，并以计算效率高的方式执行 EOF 分析。 分析方法是Guillame MAZE的caleof函数方法2的精简优化版。 有关描述如何对气候数据执行 EOF 分析的完整说明和深入教程，请单击上面的示例选项卡。

空间统计分析软件

针对目前城市浮动车数据量日益庞大，地图匹配算法实时性差、匹配率不高的缺点，提出了一种基于时空分析的地图匹配算法。算法在对城市路网建立网格索引的基础上，综合考虑了空间几何、路网拓扑信息及上下文因素对选取GPS投影点的影响，大大提高了匹配效率和匹配精度。实验结果表明，算法能够满足工程应用中浮动车地图匹配的实时性和准确性。

EOF(经验正交函数）用于降水、气温、干旱变化等的时空分析