随着共享经济和物联网应用的不断发展,逐渐产生了前所未有的时空数据,如共享单车轨迹、人群流动行为等。时空数据的分析,尤其是从海量的时空数据中获取有意义的信息,目前在学术界和工业界获得了广泛的研究和应用。一方面,时空数据分析通常采用特征工程和机器学习等方案。然而,大多数时空数据例如城市数据,通常具有稀疏性等问题。此外,一部分应用对于海量时空数据的学习能力通常有时效性的要求,然而在分析的实际过程中通常需要昂贵的物质和时间成本。另一方面,时空数据的结构化表达和语义挖掘在构建和提升时空数据分析模型的可解释性等方面具有相对的优势,结合传统的机器学习框架和结构化的时空知识是进一步提升时空数据分析的重要途径之一,存在较大的研究空间。本文主要介绍了针对稀疏、海量和可解释的时空数据分析的若干方法和应用。研究的主要内容包含五个方面:(1)从社交媒体、物理传感器等数据源获取时空数据并建模,以城市数据为例对城市区域进行划分,利用特征工程和基于语义挖掘的方法提取时空数据相关特征,以帮助解决实际问题。(2)研究基于多视图迁移学习的训练方法以解决时空数据稀疏性问题。(3)提出基于极限学习机的高效海量时空数据处理方法以解决在应用中遇到的时效性问题。(4)提出一个基于语义挖掘的时空数据分析框架。它通过本体建模构建结构化时空数据表达,利用图挖掘和特征融合对时空知识进行量化,并通过融合机器学习以取得对分析结果的可解释性。(5)将以上时空数据分析的若干方法应用在城市计算中,即城市内涝分析和城市选址分析。