俗话说：“时空难测”。在自然界中，时间和空间瞬息万变，往往难以捕捉其确切规律。但是，时间和空间一起记录了过去存在的属性。通过它们，我们可以发现事物存在的规律，从而预测未来的趋势，从而提前应对未来的情况或把握未来的机遇。随着现代科学技术的发展，定位技术越来越普及。例如，GPRS、位置传感器等技术的广泛应用使得空间相关数据的收集变得非常容易。人们在收集时空数据后，自然希望利用这些信息的价值，洞察关键因素，从而获得决策支持。因此，适当的数据分析方法是提取有用价值的关键。在现有的数据分析工具中，大多数模型只考虑了空间维度的作用，而常用的时间序列模型往往难以将同时发生在不同地点的信息关联起来。如果勉强使用这些模型，得出的模型结论往往是不准确的，预测的结果就更无所适从了。因此，IBMSPSS提供了一种结合时间和空间的数据分析模型（Spatio-TemporalPrediction，简称STP）。开发STP模型的初衷是帮助人们解决涉及时空数据的业务问题。可应用于天气和环境预测、智能交通解决方案、网络应用和安全分析、建筑物或空间的能源管理等。通过使用STP进行建模和预测，可以为管理者或企业提供全面的决策支持，节省时间、成本和资源。本文主要阐述了时空分析算法的特点及其应用实例，以帮助人们了解其使用方法和实用价值。STP模型特点首先，STP模型同时支持2D和3D空间场景，如地理信息、3D空间坐标等，因此STP模型可以广泛应用于各种时空应用。其次，STP模型仅通过有限样本点建模就可以预测空间未来任意位置的目标信息，因此具有很强的预测能力，可以辐射空间任意一点的信息。***，STP模型支持参数的假设分析。从而为用户提供未来的决策支持，使他们能够调整参数以适应预期目标，帮助用户提前预防或消除未来的问题和负面影响。图1.时空模型应用实例STP数据特性2.STP模型数据格式STP算法实例下面两个实例描述了STP算法如何应用和解决用户问题。空间维度：连续变量，支持二维和三维空间维度；时间维度：连续变量，使用STP前需要将时间维度转化为整数指标形式。一般可以使用STEMDP工具进行转换，也可以手动转换；预测变量：连续或离散变量，对Target有影响的回归参数。当没有指定参数时，必须包含一个常数系数；Target：连续变量，模型创建和预测的目标参数。图3.STP模型数据要求*STP要求数据必须包含一组在固定位置信息上收集的相同时间序列的数据。STP建模流程图4.STP简要流程图InputSpatio-TemporalData：输入原始采集的时空数据。时空数据预处理（STEMDP）：STEMDP是IBMSPSS开发的空间数据转换工具。它将.shp文件转换为空间坐标数据，并将时间格式转换为时间索引。如果数据本身不需要由STEMDP处理，则可以省略此步骤。时空预测(STP)：STP使用STEMDP转换数据进行建模。在建模过程中筛选使用协方差矩阵的方法。协方差矩阵可以用两种方式表示：参数（变差函数）或非参数（EOF）。默认是参数化方法。如果参数化方法不满足条件，则应用非参数化方法。输出STPXML和StatXML：STP建模结果存储在STPXML和StatXML文件中。STPXML中的模型信息用于预测未来的目标信息，StatXML中的内容用于模型的可视化展示。其中，StatXML还包含位置簇的信息。当空间维度为2D模型，最终应用非参数方法时，输出位置聚类信息。STP应用案例数据中心温控解决方案2000年以来，基于互联网的IT技术飞速发展，大量的数据中心被建设和使用。据联邦能源管理系统总结的《美国数据中心能源消耗报告》，仅以2014年为例，美国数据中心的用电量为70亿千瓦时，约占美国总用电量的1.8%.2000年到2005年，经过IT行业的初步发展，数据中心的用电量增长了90%以上。2010年IT行业逐渐进入平稳期，用电量增长24%。未来5年，将以每年4%左右的速度稳定增长。中国也经历了IT产业发展的几个阶段。数据中心建设保持快速发展，能源消耗居高不下。能源消耗约占数据中心运营成本的70%。因此，在全球范围内，如何降低数据中心的功耗，提高能源利用率的问题迫在眉睫。数据中心旨在节省大量用电的成本。除了硬件设备升级，更需要精准的温控和湿度管理，以高效利用能源，节约成本，符合国家提倡的环保政策。数据中心部署温度传感器和风速传感器，采集某个空间内样本位置一段时间内的温度和风量，然后利用STP算法进行建模和预测，帮助提高能效。图5在数据中心选取多个采样点布置温度传感器和风速传感器1.数据采集示意图6.从传感器等设备采集的实时数据STP模型的数据格式必须包括空间维度、时间维度和目标参数。输入参数是可选的。以上表格是从数据中心采集的数据，将对应STP模型的数据输入进行模型创建。空间维度是位置传感器的坐标位置。其中u、v、w分别代表水平位置和高度。时间维度表示数据收集的时间。在使用STP之前，需要将具体的时间转换成时间索引。用户可以使用STEMDP工具进行转换或手动转换。输入参数中，x1、x2、x3分别代表风速、ACU效果、高度。x4和x5是其他可能的影响因素，但事实证明STP模型非常弱且可以忽略不计。目标参数是采样位置的实际监测温度。2.数据建模将以上数据作为输入，在STP中创建模型，如下图所示。图7.STP数据输入图8.STP模型结果从上面的结果可以看出，参数x4和x5的显着性值都大于0.05，说明它们对模型的贡献较小，显着性差，所以监测结果可以省略。这两个数据的集合。x1、x2、x3对模型的贡献都很大，所以主要收集分析这三个参数就够了。同时，MSE、RSquare等值很好地刻画了STP模型，误差很小。3.模型预测根据给定的输入参数，如风速、ACU等，预测数据中心未来空间的温度。橙色部分标记了STP预测的未来时间的温度相关信息。$STP-y、$STPVAR-y、STPUCI-y和$STPLCI-y分别表示预测的温度、方差和预测的上下区间。实际的STP可以预测未来连续时刻任意空间位置的温度。此示例中的温度分布如下图所示，并带有散点热图。图9.采集样品第一个时间点的温度分布图10.下一时间点不同高度层的三维温度分布效果图图11.下一时间不同高度层的平面温度pointDistributioneffectdiagram图12全空间三维温度分布效果图中下一个时间点的预测STP具有scoreanywhere的特点。即可以通过有限的样本点来预测整个空间的温度分布。从上面的温度效果图可以看出，随着高度的增加，热气流向上上升，所以在5.5米的高度，会积聚大量的热量，温度会过高。在此高度及以上可进行充分的通风、散热和降温。此外，图中右上角对应4.5米高度的局部温度过高，考虑加强设备在该范围内的运行以降低温度。通过STP对整个空间温度的预测，用户可以在清晨就知道数据中心的整体温度分布，避免局部温度过高造成设备损坏和不可逆损失。STP还具有假设分析的特点。用户可以调整影响模型的可控参数以达到预期的目标。调整好风量和ACU后，STP可以预测需要多长时间才能将温度降低到合理范围内。如下图所示，调整参数后同一海拔层的温度变化。图13.预测未来时间段温度变化对同一水平的影响。STP解决方案在数据中心的应用不仅限于温度预测，还可以分析和预测湿度变化以及任何与空间相关的因素。因此，数据中心的自动化管理将更加先进和优越，更加有效可靠地节约电能，减少人为干预。即使当前机房陈旧，设备硬件来不及升级，也能为数据中心打造环保、智能的管理系统。银行选址决策支持解决方案一位银行高管想在某个城市新建一家银行分行。通过一些人口普查和调查数据，他可以获得每个地区的家庭收入和该地区所有现有银行分支机构的信息。有了这些信息，他考虑使用SPSS的STP模型来帮助他预测具有潜在市场价值的站点。他根据STP模型创建了两个模型，一个用于预测每个地区的收入信息，另一个用于预测这些地区未来银行分行的数量。然后，通过这两个预测结果，可以获得城市各个区域的潜在市场分布，从而帮助他们快速高效地完成市场分析，以支持决策方案的可行性。图14.预测未来银行供给量图15.预测未来居民收入图16.预测未来潜在市场分布利用公共自行车资源？旺季如何快速买到价格合适的车？如果您是运营商，您是否经常在市场中犹豫不决？怎样才能不犯错误地选择一个商机最好的地方呢？扩张带来了不可估量的损失？如何应用大数据分析帮助企业提升智能信息化竞争力，降低成本？STP算法的应用将为您提供全面的时空问题解决方案和预测支持。同时，SPSS提供广泛应用于商业数据的各种算法，帮助人们以最全面的方式进行大数据分析和商业决策。
