中圖分類號：TN911.7-34；TP391 文獻(xiàn)標(biāo)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(shù)據(jù)指包含時間特征和空間特征的數(shù)據(jù)，此類數(shù)據(jù)具有時空關(guān)聯(lián)性與動態(tài)變化性。自前在交通、氣象、環(huán)境監(jiān)測等領(lǐng)域，時空數(shù)據(jù)為主流數(shù)據(jù)，而在交通擁堵態(tài)勢推演、氣象災(zāi)害動態(tài)監(jiān)測、城市能源供需預(yù)測等場景中，該數(shù)據(jù)蘊含著支撐決策的關(guān)鍵信息，但其多維度耦合、動態(tài)演化的特性，也讓特征挖掘成為難題[2。

文獻(xiàn)[3]構(gòu)建了一種圖小波卷積神經(jīng)網(wǎng)絡(luò)模型，能同時捕捉時空數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)、時序特征及時空關(guān)聯(lián)，不過在處理大規(guī)模時空數(shù)據(jù)時，特征分解耗時久，難以滿足對實時性要求高的場景。文獻(xiàn)[4]針對雷達(dá)探測料位數(shù)據(jù)，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(xiàn)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(dǎo)致高層時空語義特征丟失。文獻(xiàn)[5]采用時空稀疏注意力網(wǎng)絡(luò)，從空間和時間角度挖掘特征，但稀疏閾值需人工設(shè)定，閾值過低會忽略重要依賴關(guān)系，且難以自適應(yīng)不同場景的時空關(guān)聯(lián)復(fù)雜度。文獻(xiàn)[6]利用核主成分分析法與長短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建時空特征集，但核主成分分析法是靜態(tài)映射方法，無法動態(tài)捕捉新空間依賴關(guān)系，致使數(shù)據(jù)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(shù)據(jù)特征挖掘方法，旨在突破單一模型對時空數(shù)據(jù)復(fù)雜模式的挖掘瓶頸。

1時空數(shù)據(jù)特征挖掘方法

1.1基于OWL的時空數(shù)據(jù)形式化建模

OWL是用于體現(xiàn)數(shù)據(jù)概念之間關(guān)聯(lián)性的本體建模語言，它的形式化定義為 ，其中 d，e，v，s 依次描述建模數(shù)據(jù)對象、定義域、與 e 有關(guān)的事物狀態(tài)集合 ?e 和 σ_v 的關(guān)聯(lián)性。

在時空數(shù)據(jù)形式化建模中，將時空屬性引入d（e，v，s） 內(nèi)，設(shè)定時空數(shù)據(jù)集合是 V. ，存在時空屬性的 ρ_e 的有限集即為三元組 E（e₁，t，r），e₁，t，r 分別描述含時空屬性的子定義域、時間屬性、空間屬性。含 v 的有限集為三元組 V（v，t，r） ，含 s 有限集為三元組 S（s，t，r） ，結(jié)合E（ρ_{e，t，r}），V（ρ_v，t，r），S（ρ_s，t，r） ，設(shè)定時空數(shù)據(jù)形式化表示模式，即 B（E，V，S） 。

1.2 LSTM-MSTCN-XGBoost的時空數(shù)據(jù)特征識別

1.2.1基于LSTM的時空數(shù)據(jù)長期波動特征提取

借助LSTM的門控記憶機(jī)制，捕捉時空數(shù)據(jù)的長時序依賴關(guān)系，輸出時空數(shù)據(jù)長期波動特征。時空數(shù)據(jù)長期波動特征提取時，模型結(jié)構(gòu)中遺忘門、輸入門與輸出門依次設(shè)成 ，公式如下：

式中： δ 表示激活函數(shù)； E_w?a_w 分別為 w_t 的權(quán)重矩陣、偏置參數(shù)； 分別為 c_t 的權(quán)重矩陣、偏置參數(shù)； 分別為 z_t 的權(quán)重矩陣、偏置參數(shù)； B_t 為上一時間步輸入的時空數(shù)據(jù)； B_t-1^′ 為 t-1 歷史時刻時空數(shù)據(jù)長期波動特征； 分別為候選細(xì)胞狀態(tài)、當(dāng)前時間步的細(xì)胞狀態(tài)； ε_u 、a_u 分別為候選狀態(tài)的權(quán)重矩陣、偏置參數(shù)。

遺忘門可根據(jù)時空數(shù)據(jù)形式化建模中的時間屬性，決定是否遺忘歷史特征模式-]。輸人門可根據(jù)空間函數(shù)描述的數(shù)據(jù)重要性，決定是否接納當(dāng)前輸入的信息。最終輸出的 χ_t 時刻時空數(shù)據(jù)長期波動特征為：

B_t^′=z_t^*tanh（u_t）

1.2.2基于MSTCN的時空數(shù)據(jù)短期波動特征提取

MSTCN模型的核心機(jī)制是構(gòu)建多個時序卷積模塊，此模塊包含因果卷積、膨脹卷積、殘差模塊，結(jié)合多尺度特征提取思想來提取多尺度時空關(guān)聯(lián)特征，輸出短期多尺度特征向量。

因果卷積保證輸出僅依賴歷史輸人，適配時空數(shù)據(jù)的時間因果性。膨脹卷積處理使用膨脹因子 p 、濾波器尺寸 m 擴(kuò)展感受野，捕捉 B 的長距離時序關(guān)聯(lián)（如多時段負(fù)荷波動、交通擁堵傳播），公式如下：

式中： B_t-p?j 表示注入孔洞突破序列長度依賴限制的時空數(shù)據(jù)； K（?） 表示膨脹卷積運算函數(shù)； ε 為卷積核權(quán)重 ?;j 為回溯的步長。

殘差模塊輸出的優(yōu)化后時空數(shù)據(jù)短期特征表示為：

式中： 分別表示非線性函數(shù) ?^t-1 時刻膨脹卷積運算后的數(shù)據(jù)特征。把膨脹卷積后的原始特征和經(jīng)過非線性變換的特征相加，可以避免深層網(wǎng)絡(luò)的梯度消失，讓特征更完整地傳遞。

最終輸出的時空數(shù)據(jù)短期波動特征拼接結(jié)果如下：

Y_t^′=μ（Y_3×3，Y_5×5，Y_12×12）

式中： μ 為拼接因子; Y_3×3?Y_5×5?Y_12×12 為 3×3、5×5、12×12 不同大小的卷積核提取的特征，分別代表不同時間的時序關(guān)聯(lián)。

1.2.3基于XGBoost模型的時空數(shù)據(jù)特征模式挖掘

時空數(shù)據(jù)特征模式挖掘的核心難點是數(shù)據(jù)特征時間與空間維度存在非線性交互性，XGBoost通過疊加多棵回歸樹[12，可學(xué)習(xí)高階特征組合，精準(zhǔn)刻畫此類非線性關(guān)聯(lián)。將1.2.1節(jié)與1.2.2節(jié)提取的特征融合為數(shù)據(jù)集Φ_t={B_t^′，Y_t^′} ，利用XGBoost的梯度優(yōu)化決策樹結(jié)構(gòu)，學(xué)習(xí)特征間非線性關(guān)聯(lián)[13]，輸出特征挖掘結(jié)果（如關(guān)鍵時空特征模式識別）。樣本的輸出結(jié)果為：

式中： η，?_i 分別表示全局回歸樹空間映射函數(shù)、單棵回歸樹的映射函數(shù)； n 表示回歸樹總數(shù)。

設(shè)定模型的訓(xùn)練目標(biāo)函數(shù)為：

式中： λ（O_t，O_t^′） 表示損失函數(shù)； O_t^′ 表示 Φ_t 時刻時空數(shù)據(jù)特征的期望挖掘結(jié)果； 表示模型復(fù)雜度懲罰項。在模型訓(xùn)練時滿足上述訓(xùn)練目標(biāo)函數(shù)條件，則輸出預(yù)測結(jié)果。

2 實驗分析

采用測速儀實時采集不同路段中車輛的車速時空數(shù)據(jù)，設(shè)定本文方法輸出的時空數(shù)據(jù)特征狀態(tài)模式如表1所示。

表1交通時空數(shù)據(jù)特征狀態(tài)模式

將研究區(qū)域某內(nèi)環(huán)交通路段的車速-路段-時間的時空數(shù)據(jù)作為本文方法的測試數(shù)據(jù)，測試樣本具體數(shù)據(jù)如圖1所示。

圖1車速時空數(shù)據(jù)測試樣本具體數(shù)據(jù)

將圖1數(shù)據(jù)構(gòu)建為語義化三元組數(shù)據(jù)，通過定義“路段-時間-車速”三元組關(guān)系提取時空數(shù)據(jù)特征后，得到其全局時空Moran'sI指數(shù)，如圖2所示。

圖2時空數(shù)據(jù)特征提取的全局時空Moran'sI指數(shù)

如圖2所示，本文方法能夠有效提取時空數(shù)據(jù)的長、短周期特征，全局時空Moran'sI指數(shù)集中于0.9～1，呈現(xiàn)顯著高值聚集特征，說明挖掘出的時空特征存在時空自相關(guān)，即本文方法捕捉到了交通狀態(tài)在時空維度的特征模式。

進(jìn)一步由XGBoost模型挖掘時空數(shù)據(jù)特征模式，結(jié)果如圖3所示。

圖3交通時空數(shù)據(jù)特征挖掘結(jié)果

如圖3所示，高峰時段和平峰時段下，擁堵在路段空間的發(fā)生、消散隨時間進(jìn)程呈現(xiàn)“集聚-擴(kuò)散”特征。由此可知，本文方法可精準(zhǔn)捕捉交通流時間序列規(guī)律與空間分布關(guān)聯(lián)，能有效挖掘交通狀態(tài)時空交互效應(yīng)，進(jìn)而預(yù)測不同路段、不同時段的時空數(shù)據(jù)特征狀態(tài)（暢通、基本暢通以及輕度擁堵），實現(xiàn)特征挖掘。

將圖小波卷積神經(jīng)網(wǎng)絡(luò)方法、時空稀疏注意力方法分別作為對比方法1與對比方法2，挖掘的數(shù)據(jù)特征狀態(tài)（交通狀態(tài)模式）結(jié)果如圖4所示。

圖4不同方法的時空數(shù)據(jù)特征狀態(tài)挖掘結(jié)果

如圖4所示，本文方法對不同時空數(shù)據(jù)樣本的特征挖掘結(jié)果全部匹配實際特征模式，而對比方法1與對比方法2的挖掘結(jié)果存在偏差。本文方法在時空數(shù)據(jù)特征的挖掘中更具優(yōu)勢，可有效提升特征挖掘與真實特征狀態(tài)的契合度。

3結(jié)論

目前單一維度分析方法難以全面捕捉時空數(shù)據(jù)的長短期變化特征，易使關(guān)鍵信息丟失。為解決該問題，本文提出一種基于LSTM-MSTCN-XGBoost混合模型的時空數(shù)據(jù)特征挖掘方法。LSTM-MSTCN-XGBoost混合模型通過LSTM與MSTCN協(xié)同來提取長短期時空特征，再結(jié)合XGBoost的非線性擬合，使時空數(shù)據(jù)特征提取結(jié)果的全局時空Moran'sI指數(shù)處于理想狀態(tài)，驗證了對交通流時空自相關(guān)模式的有效捕捉，特征挖掘結(jié)果與交通實際規(guī)律高度契合。本文方法還能夠精準(zhǔn)捕捉交通時空數(shù)據(jù)在高峰時段擁堵空間蔓延、平峰時段暢通區(qū)間擴(kuò)展等時空交互特征，驗證了該方法對時間序列規(guī)律與空間分布關(guān)聯(lián)的協(xié)同解析能力。

參考文獻(xiàn)

[1]劉鳳，鐘志農(nóng)，賈慶仁，等.面向富語義復(fù)雜事件的時空數(shù)據(jù)建模[J].地理學(xué)報，2024，79（7）：1700-1717.

[2]康文軒，陳黎飛，郭躬德.運動序列的時空結(jié)構(gòu)特征表示模型[J].智能系統(tǒng)學(xué)報，2023，18（2）：240-250.

[3]趙世豪，毛國君，熊保平，等.基于圖小波卷積神經(jīng)網(wǎng)絡(luò)的時空圖挖掘模型[J].計算機(jī)工程，2023，49（7）：85-93.

[4]馬昭昕，陳致蓬，桂衛(wèi)華.基于極大似然循環(huán)自更新神經(jīng)網(wǎng)絡(luò)的高爐料位時空特征融合測量方法[J].中南大學(xué)學(xué)報（自然科學(xué)版），2023，54（2）：720-731.

[5]謝毅，王強(qiáng)，李海宏，等.一種基于時空稀疏注意力的時空圖挖掘算法[J].計算機(jī)工程，2023，49（4）：108-113.

[6]袁鐵江，郭澤林，方彤.基于運行數(shù)據(jù)時空特征和Stacking集成學(xué)習(xí)的質(zhì)子交換膜燃料電池故障診斷[J].中國電機(jī)工程學(xué)報，2023，43（14）：5461-5470.

[7]宋思程，陳辰，李晨輝，等.基于密度圖多目標(biāo)追蹤的時空數(shù)據(jù)可視化[J].圖學(xué)學(xué)報，2024，45（6）：1289-1300.

[8]鄒易君，曾慶華，肖云雷，等.基于LSTM的固沖發(fā)動機(jī)雙冗余壓強(qiáng)傳感器故障診斷研究[J].傳感技術(shù)學(xué)報，2025，38（4）：579-587.

[9]RAMESH J，JOYDEEPG，NILESH K R L.Assessment ofstacked LSTM，bidirectionalLSTM，ConvLSTM2D，andautoencoders LSTM time series regression analysis at ADITYA-Utokamak [J].IEEEtransactions on plasma science，2O24，52（7Pt.1）： 2403-2409.

[10]陳世偉，李靜，玄佳興，等.LSTM-GAN：融合GAN和Bi-LSTM的無監(jiān)督時間序列異常檢測[J].小型微型計算機(jī)系統(tǒng)，2024，45（1）：123-131.

[11]鄧春華，周勇.基于LSTM-SVM模型的ES多變量時序異常檢測[J].計算機(jī)仿真，2023，40（3）：471-475.

[12]魯鐵定，李禎，賀小星，等.融合VMD和XGBoost算法的GNSS高程時間序列預(yù)測方法[J].測繪學(xué)報，2023，52（8）：1235-1244.

[13]黑新宏，高苗，張寬，等.基于Nadam-TimeGAN和XGBoost的時序信號故障診斷方法[J].通信學(xué)報，2024，45（4）：185-200.