时空数据是同时具有时间和空间维度的数据，现实世界中的数据超过80%与地理位置有关。时空大数据包括时间、空间、专题属性三维信息，具有多源、海量、更新快速的综合特点。随着科学技术的快速发展,人类对自身生活环境的探索已经不仅仅局限于周围的世界，探索空间的外沿急剧扩展，已经遍及地球各个角落、各个圈层,并延伸到外太空。因此，如何表述人类活动的客观世界和活动特征，已经成为了科研机构和人员研究的热点和重点。伴随着计算机技术的发展,如何利用计算机模拟和表征客观世界和人类活动，无疑也为学者提供了广阔的研究空间。
伴随着人们探索空间的过程,各种信息的获取范围也从局部地面、全球地表、地球各个圈层扩展到地球内外的整个空间，从原有二维平面空间基准逐步演变到三维空间基准，进而演变到反映地理空间对象时空分布的四维空间基准。时空数据是指具有时间元素并随时间变化而变化的空间数据，是描述地球环境中地物要素信息的一种表达方式。这些时空数据涉及到各式各样的数据，如地球环境地物要素的数量、形状、纹理、空间分布特征、内在联系及规律等的数字、文本、图形和图像等,不仅具有明显的空间分布特征，而且具有数据量庞大、非线性以及时变等特征。同时具有时间和空间维度的数据，现实世界中的数据超过80%与地理位置有关。时空大数据包括时间、空间、专题属性三维信息，具有多源、海量、更新快速的综合特点。时空数据由于其所在空间的空间实体和空间现象在时间、空间和属性三个方面的固有特征，呈现出多维、语义、时空动态关联的复杂性，因此，需要研究时空大数据多维关联描述的形式化表达、关联关系动态建模与多尺度关联分析方法，时空大数据协同计算与重构提供快速、准确的面向任务的关联约束。
时空大数据的特点，时空大数据的特点既有时间的属性也有空间的属性，就像谈到深度学习，经常谈到比如说图像识别，其中很重要一点就是识别图象的空间属性。如果大家对深度学习有一点了解，做图像识别是需要用CNN(卷积神经网络)的，主要挖掘的就是空间的多变性，所以时空大数据是跟图像识别有共通的。在时间上，还有一个时间的属性，RNN，也就是递推神经网络处理序列的数据，这些时空大数据也包含。同时包含时间和空间的这两个属性，就对时空大数据提出很多新的挑战。同时，另一个时空大数据的特点是有很多类型的数据。要解决一个问题要用到方方面面的信息，比如说预测网约车订单供需量的应用，数据的类型就包含很多种，像GPS，订单的数据，天气的数据还有附近的路况数据，可以用的数据非常多种。这跟原来深度学习所处理的问题不一样，做图像识别只需要图像就够了，要做语音识别，只需要语音就够了，而时空大数据要有各种各样的数据，这些数据都是不同质的，需要组合起来，然后来进行学习和预测。李建认为目前深度学习在比如说图像识别、语音识别这些领域，都可以说比较成功，也有很成功的商业化模式，但深度学习在时空大数据方面的研究，只是刚刚起步还没有非常成熟的一套方法论。他刚好研究这个方向就做了一系列的工作，相当于是一个初步的尝试，而且也应用到了企业级的应用项目上。其中包含和杉数的一些合作项目。他认为将深度学习应用在时空大数据的分析上有非常广阔的前景。
首先,哲学的时空原理是.物质运动与时间、空间. ①时空是物质运动的存在形式.时间是指物质运动的持续性和顺序性,具有一维性；空间是指物质运动的广延性和伸张性,具有三维性. ②时空的绝对性与相对性. A.时空的绝对性：物质运动是客观的,因而作为物质运动存在形式的时空也是客观的.否认时空存在的绝对性(客观性),是唯心主义时空观,如康德、黑格尔的时空观. B.时空的相对性：物质运动的状态是变化的,因而作为物质运动存在形式的时空的具体特性也是变化的.否认时空具体特性的相对性(可变性),是机械唯物主义时空观,如牛顿的“绝对时空观”.
