Aprendizado Profundo para Mineração de Dados Espacio-Temporais: Uma Revisão

Com o rápido desenvolvimento de várias técnicas de posicionamento, como o Sistema de Posicionamento Global (GPS), dispositivos móveis e sensoriamento remoto, os dados espacio-temporais tornaram-se cada vez mais disponíveis atualmente. Extrair conhecimento valioso dos dados espacio-temporais é crucial para muitas aplicações do mundo real, incluindo compreensão da mobilidade humana, transporte inteligente, planejamento urbano, segurança pública, cuidados de saúde e gerenciamento ambiental. À medida que o número, volume e resolução dos dados espacio-temporais aumentam rapidamente, os métodos tradicionais de mineração de dados, especialmente métodos baseados em estatísticas para lidar com esses dados, estão se tornando sobrecarregados. Recentemente, modelos de aprendizado profundo, como redes neurais recorrentes (RNN) e redes neurais convolucionais (CNN), alcançaram um sucesso notável em muitos domínios devido à sua poderosa capacidade de aprendizado automático de representação de características, e também são amplamente aplicados em várias tarefas de mineração de dados espacio-temporais (STDM), como aprendizado preditivo, detecção de anomalias e classificação. Neste artigo, fornecemos uma revisão abrangente do progresso recente na aplicação de técnicas de aprendizado profundo para STDM. Primeiro, categorizamos os dados espacio-temporais em cinco tipos diferentes e, em seguida, apresentamos brevemente os modelos de aprendizado profundo que são amplamente utilizados em STDM. Em seguida, classificamos a literatura existente com base nos tipos de dados espacio-temporais, nas tarefas de mineração de dados e nos modelos de aprendizado profundo, seguidos pelas aplicações de aprendizado profundo para STDM em diferentes domínios, incluindo transporte, serviço sob demanda, análise de clima e tempo, mobilidade humana, rede social baseada em localização, análise de criminalidade e neurociência. Por fim, concluímos sobre as limitações da pesquisa atual e apontamos direções para pesquisas futuras.