城市计算是计算机科学以城市为背景,跟城市规划、交通、能源、环境、经济和社会学融合的新兴交叉领域。城市计算的任务,是首先通过感知、获取城市中产生的各类大数据,然后采用高效的数据管理技术、先进的算法以及新颖的可视化技术来分析处理及展示大数据,用以解决城市中存在的诸多问题和挑战,如交通拥堵、空气污染、规划落后等。城市内产生的大数据多种多样,如人或车移动时产生的轨迹数据、各大媒体平台发布的新闻、股市里时刻更新的交易记录等等。本课题致力于研究其中的一类数据——时空大数据,即同时包含时间和空间信息的数据,如轨迹点、地铁刷卡数据等。通过对时空大数据挖掘的关键技术研究,为城市中的诸多问题提供一系列解决方案。本文聚焦于城市内大规模流量移动场景下的分析与预测,从三个不同类型用户的视角各研究了一个问题:To C（To Client）用户视角下的移动用户的连续近邻检测、To B（To Business）用户视角下的区域的出租车需求预测、To G（To Government）的视角下的起-终点区域间的流量预测,在最新技术手段的基础上提出有效的算法框架,从而降低能源消耗、减缓供需不均、辅助城市设计。本文的主要工作及创新成果如下:1.移动用户的连续近邻检测,是城市计算在To C用户层面的重要问题。现有的方法都采用了安全域技术,然而,现有工作中的安全域因形状不合理或基于的假设偏离实际太远,导致通信开销都很大。针对这一问题,本课题提出了基于前瞻安全域的连续近邻检测方法PSR-PD,其中构建的一种前瞻性安全域,结合了轨迹预测算法,能有效捕捉用户的运动模式,很大程度减少用户走出安全域的概率,从而大幅降低通信开销。在四个真实数据集上的测试表明,本文的算法框架较前人的STRIPE算法、FMD及CMD算法等,能减少35%-87%的通信开销。2.出租车需求预测,是城市计算在To B用户层面的重要问题。现有方法要么只考虑时序关系的影响,要么在捕捉空间依赖时,未考虑不相邻区域间的影响。针对不相邻空间区域间相互影响的捕捉问题,本文提出时空计算框架OD-TGAT,将图神经网络应用于出租车需求预测,将整座城市内的区域看成图中的顶点,并提出使用起-终点关系来定义图中的边,使得不相邻区域能通过边的连接传递影响。在纽约出租车数据集上的大规模测试表明,与之前的算法MLP、XGBoost、ST-Res Net等相比,本文的时空计算框架OD-TGAT在出租车需求的精度上提升了9.3%。3.起-终点区域间流量预测,是城市计算在To G用户层面的重要问题。现有工作中有关于区域流量预测的研究或起-终点路口间流量预测的研究,但尚未出现区域间流量预测的研究。因此,本文是第一个开展起-终点区域间流量预测问题研究的工作。针对该问题,本文提出了一种区分对待三种流量依赖关系的多视图时空深度学习框架MV-STAN。该框架将城市划分成网格后,在不同的依赖关系下生成不同的图,然后经各自的时空深度学习网络学习出结果后再融合,形成最终的预测结果。在两个大规模数据集上的测试表明,与之前的算法ST-DNN、LSTM、GRU等相比,多视图时空深度学习框架MV-STAN在起-终点区域流量预测精度上至少提升了6.8%。