关键词：时序数据分析 城市交通 集成学习 层叠泛化 鲁棒性 

摘要：受地理过程的动态随机性影响,时序空间数据建模普遍存在先验知识缺乏与模型参数设置问题,导致单一模型难以有效地反映地理系统的整体运行状态。本文提出了一个普适性的集成学习框架,设计了基于异态集成学习的层叠泛化模型,按照组合模型最大化减小原始预测误差原则改进了层叠泛化模型平均输出的混合策略,并基于error-ambiguity decomposition对提出的层叠泛化模型的有效性进行了数学证明。基于北京市交通路网通行状态数据的实验结果表明,层叠泛化模型的均方根误差与平均绝对误差均小于单一模型;平均绝对误差方差均小于基于数理统计的混合模型,验证了层叠泛化模型在时序空间数据预测方面的优越性。

地球信息科学学报杂志要求:

{1}论文摘要尽量写成报道性文摘，包括目的、方法、结果、结论4方面内容，应具有独立性与自含性，关键词选择贴近文义的规范性单词或组合词（3～5个）。

{2}资料可靠、数据准确，具有理论性、科学性、实用性和创新性。

{3}论文格式为：题目，作者姓名、单位、地址与邮编，中文摘要，关键词，中图法分类号，正文，参考文献，第一作者简介，英文题名，英文作者姓名(汉语拼音)、单位、地址与邮编，英文摘要与关键词。

{4}文中计量单位必须使用国家法定计量单位。

{5}来稿请注明作者真实姓名、工作单位、业务职称、邮政编码、详细联系地址和电话。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社