十，文献研读（后续完善编辑）
-
论文名称：时空数据挖掘研究进展，刘大友 陈慧玲 齐红 杨博.
-
研究对象
对时空数据挖掘研究现状进行介绍。 -
研究动机
寻找有效时空数据挖掘方法。 -
文献综述
根据挖掘任务进行分类：时空模式发现，时空聚类，时空异常检测，时空预测和分类，时空推理与结合。围绕这些方面阐述时空数据挖掘领域最新进展。- 时空模式发现
1，时空频繁模式：从时空序列（轨迹数据）发现频繁重复的路径，完成移动对象分析及预测。
除轨迹数据之外还能将时空事件数据集（不同类型事件序列）作为挖掘对象，
2，时空共现模式：空间共现模式是研究的热点（时空共现模式发现研究还不多，相关算法大都在空间共现模式基础上对时间扩展实现，对有效表达时空数据不确定性及噪声的共现模式挖掘算法有待研究）
3，时空关联模式：主要研究空间对象随时间发生变化的规律（发现时空数据处于一定时间间隔和空间位置的关联规则），多数时空关联模式挖掘方法都是传统关联规则的发展，对高效的时空关联规则算法有待研究。 - 时空聚类
时空聚类可用于天气预测，交通拥挤预测，动物迁移分析，移动计算，异常点分析。（时空聚类研究成果比较多。今后的研究切入点：对采用何种聚类表达轨迹数据；增加时间和空间约束；相似度函数的选取及对象距离点定义） - 时空异常检测
（基于距离的时空异常检测方法，基于密度和聚类的时空异常检测方法，基于规则和模式，等）时空数据异常检测需进一步考虑空间实体间存在的度量关系与非度量关系等因素。 - 时空预测和分类
面向时空数据的位置和轨迹预测，密度和事件预测，结合空间的时间序列预测，结合时空信息的分类具有重要应用前景。
1，位置和轨迹预测
2，密度事件和结合空间的时间序列预测
应用：交通领域中识别交通中的密集区域，定义密度转换模型，根据历史数据结合密度估计来预测给定时间和空间的概率密度。
结合空间的时间序列预测是从时间的角度来考虑时空数据，与空间有关的时空序列彼此不是独立的而是空间相关的。
3，结合时空信息分类
针对移动对象轨迹数据的分类研究比较少 - 时空推理和数据挖掘的结合
研究较少
- 时空模式发现
-
研究方案设计
-
使用数据集
-
研究结论
-
学习心得
通过阅读这篇文献，时空数据挖掘是一个新兴的研究领域，通过对挖掘任务的分类及研究现状应用前景深入了解，对时空异常检测，时空预测和分类的研究方法应用前景领域有一定兴趣和认识。除此要进一步了解在该领域的研究进展及前人的研究成果，在此基础上形成自己的研究创新方案。