Les données spatiales incluent souvent un élément temporel. Un cube spatio-temporel est une représentation 3D de ces données spatio-temporelles. Il permet d’analyser des modèles spatiaux et temporels, de prévoir les valeurs futures et de visualiser les données et résultats d’analyse en 2D et 3D.
Structure d’un cube spatio-temporel
Un cube spatio-temporel est constitué d’emplacements et de groupes.
Lieux
L’emplacement est la position dans l’espace 2D (x, y) et la géométrie d’un groupe spatio-temporel. Les emplacements sont statiques et définis lors de la création du cube spatio-temporel. Ils déterminent le type de cube spatio-temporel créé. Les cubes spatio-temporels peuvent être des cubes de grille, dans lesquels les emplacements sont constitués d’une grille de forme régulière de rectangles ou d’hexagones ou des cubes d’emplacements définis, dans lesquels les emplacements sont prédéfinis (par exemple, des États ou des stations de surveillance).
Groupes
Un groupe représente un seul emplacement et un seul intervalle temporel. Chaque groupe présente une position fixe dans l’espace (x,y) et dans le temps. Il ajoute la troisième dimension, le temps, à un emplacement. Chaque groupe représente la même période, qui est définie lors de la création du cube spatio-temporel.
Chacun des emplacements du cube spatio-temporel possède le même nombre de groupes. Les groupes d’un même emplacement constituent une série chronologique. Les groupes à un même moment de l’espace temporel constituent un intervalle. Pour déterminer le nombre total de groupes dans un cube spatio-temporel, utilisez l’outil Describe Space Time Cube (Décrire un cube spatio-temporel).
Créer un cube spatio-temporel
Vos données et leur format déterminent la méthode utilisée pour créer un cube spatio-temporel. Les outils suivants permettent de créer un cube spatio-temporel :
- Créer un cube spatio-temporel en agrégeant des points
- Créer un cube spatio-temporel à partir d’emplacements définis
- Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle
Créer un cube spatio-temporel en agrégeant des points
Si vous disposez d’entités ponctuelles horodatées que vous souhaitez agréger spatialement à des emplacements d’une zone d’étude, utilisez l’outil Create Space Time Cube By Aggregating Points (Créer un cube spatio-temporel en agrégeant des points). Le résultat est un cube de grille (quadrillage ou hexagone) ou un cube d’emplacements définis si vous avez fourni des polygones d’agrégation (par exemple, incidents de vol dans la ville de New York).
Remarque :
L’outil accepte uniquement une classe d’entités ponctuelles comme paramètre Input Features (Entités en entrée). Si vos données se trouvent dans une table, utilisez l’outil XY Table To Point (Table XY vers points) pour créer une classe d’entités ponctuelles.
Chaque groupe possède un champ COUNT spécifiant le nombre de points qu’il contient. Chaque groupe peut également posséder des champs supplémentaires qui récapitulent les attributs du champ. Les attributs dépendent des champs de récapitulation sélectionnés lors de la création du cube spatio-temporel.
En savoir plus sur les attributs inclus dans un cube spatio-temporel lors de sa création
En savoir plus sur la création d’un cube spatio-temporel en agrégeant des points
Créer un cube spatio-temporel à partir d’emplacements définis
Si vous disposez d’emplacements d’entités qui ne changent pas dans le temps et d’attributs ou mesures recueillis au fil du temps, comme des données de fenêtre ou des données de station, utilisez l’outil Créer un cube spatio-temporel à partir d’emplacements définis. Il en résulte un cube structuré à l’aide de ces emplacements définis. Si une agrégation temporelle est sélectionnée, chaque période inclut des statistiques récapitulatives pour les attributs sélectionnés. Si aucune agrégation temporelle n’est sélectionnée, chaque période possède un jeu d’attributs.
En savoir plus sur la création d’un cube spatio-temporel à partir d’emplacements définis
Create Space Time Cube From Multidimensional Raster Layer (Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle)
Si vous avez un raster multidimensionnel, utilisez l’outil Create Space Time Cube From Multidimensional Raster Layer (Créer un cube spatio-temporel à partir d’une couche raster multidimensionnelle) pour le convertir en cube spatio-temporel. La forme des cellules détermine si le cube est un cube de grille (cellules carrées) ou un cube d’emplacements définis (cellules rectangulaires).
Types de cubes spatio-temporels
Un cube spatio-temporel peut être un cube de grille ou un cube d’emplacements définis. Le type de cube est déterminé lors de la création du cube spatio-temporel.
Les cubes de grille et les cubes d’emplacements définis diffèrent principalement de par la structure du cube spatio-temporel. Les emplacements d’un cube de grille sont constitués d’une grille rectangulaire d’entités carrées ou hexagonales. Dans un cube d’emplacements définis, les emplacements et leur forme ne sont pas limités. Les deux types de cubes spatio-temporels peuvent être utilisés comme entrée des outils des jeux d’outils Space Time Cube Visualization (Visualisation d’un cube spatio-temporel), Space Time Pattern Analysis (Analyse des modèles spatio-temporels) et Time Series Forecasting (Prévision de séries chronologiques).
Remarque :
Vous pouvez utiliser l’outil Describe Space Time Cube (Décrire un cube spatio-temporel) pour déterminer le type d’un cube spatio-temporel existant.
cube de grille
La structure du cube de grille comporte des lignes, des colonnes et des intervalles temporels. Si vous multipliez le nombre de lignes par le nombre de colonnes par le nombre d'intervalles temporels, vous obtiendrez le nombre total de bins dans le cube. Les lignes et les colonnes déterminent l’étendue spatiale du cube et les intervalles temporels en déterminent l’étendue temporelle. Un cube de grille est toujours rectangulaire. Toutefois, les emplacements sans donnée pour tous les intervalles temporels ne sont pas visualisés ou inclus dans une analyse.
Cube d’emplacements définis
La structure du cube d’emplacements définis comporte des entités et des intervalles temporels. Si vous multipliez le nombre d’entités par le nombre d'intervalles temporels, vous obtenez le nombre total de groupes dans le cube. Les entités déterminent l’étendue spatiale du cube et les intervalles temporels déterminent l’étendue temporelle.
Un cube d’emplacements définis d’une couche raster multidimensionnelle possède le même nombre d’entités et de dimensions temporelles que le nombre de cellules et de dimensions de la couche raster multidimensionnelle.
Analyse d’un modèle spatial et temporel
Une fois que vous avez créé un cube spatio-temporel, vous pouvez identifier les modèles spatiaux et temporels à l’aide de tout outil du jeu d’outils Space Time Pattern Analysis (Analyse des modèles spatio-temporels). Chaque outil du jeu d’outils crée une classe d’entités avec les résultats de l’analyse. Les outils Change Point Detection (Détection des points de changement), Emerging Hot Spot Analysis (Analyse de points chauds émergents) et Local Outlier Analysis (Analyse de valeurs aberrantes locales) mettent également à jour le cube spatio-temporel d’origine avec les résultats de l’analyse.
| Outil | Description | Questions |
|---|---|---|
Détecte les intervalles temporels où une propriété statistique (valeur moyenne, écart type ou tendance linéaire) de la série chronologique change pour chaque localisation d’un cube spatio-temporel. |
| |
Détecte l’agrégation des densités de points (totaux) ou les valeurs d’un cube spatio-temporel, puis, pour chacun des emplacements, classe la tendance de ces points chauds et froids dans une catégorie. Les catégories sont notamment les points chauds et froids nouveaux, consécutifs, d’intensification, persistants, diminuants, sporadiques, oscillants et historiques. |
| |
Identifie les agrégats et points aberrants statistiquement significatifs dans l’espace et le temps. |
| |
Cet outil partitionne une collection de séries chronologiques, stockées dans un cube spatio-temporel, en fonction de la similarité de leurs caractéristiques. Les séries chronologiques peuvent être agrégées en fonction de trois critères : disposer de valeurs similaires dans le temps, tendance à augmenter et diminuer simultanément et disposer de motifs se répétant similaires. |
| |
Calcule la corrélation croisée à différents décalages temporels entre deux séries chronologiques stockées dans un cube spatio-temporel. |
|
Prévision de séries chronologiques
Une fois que vous avez créé un cube spatio-temporel, vous pouvez utiliser les outils du jeu d’outils Time Series Forecasting (Prévision de séries chronologiques). Ce jeu d’outils inclut trois outils qui estiment les valeurs futures à chacun des emplacements du cube spatio-temporel et un outil d’évaluation de modèle qui permet de comparer les modèles de prévision. Les outils du jeu d’outils enregistrent les résultats de prévision dans une classe d’entités en sortie et, éventuellement, un cube spatio-temporel. Les outils de prévision suivants sont disponibles :
| Outil | Description |
|---|---|
Utilise un simple ajustement de la courbe pour modéliser une série chronologique et prévoir les valeurs futures à chaque emplacement d’un cube spatio-temporel. | |
Prévoit les valeurs de chaque emplacement d’un cube spatio-temporel à l’aide de la méthode de lissage exponentiel Holt-Winters, en décomposant la série chronologique au niveau de chaque cube d’emplacement en composants saisonniers et de tendance. | |
Prévoit les valeurs à chaque emplacement d’un cube spatio-temporel à l’aide d’une adaptation de l’algorithme des forêts aléatoires, qui est une méthode de machine learning supervisée mise au point par Leo Breiman et Adele Cutler. | |
Sélectionne le résultat le plus précis pour chaque emplacement d’un cube spatio-temporel, parmi plusieurs résultats de prévision. Cela vous permet d’utiliser plusieurs outils du jeu d’outils Prévision de séries chronologiques avec les mêmes données de séries chronologiques, et de sélectionner la meilleure prévision pour chaque emplacement. |
Visualisation d’un cube spatio-temporel
Vous pouvez visualiser les résultats d’analyse et variables du cube spatio-temporel à l’aide des outils du jeu d’outils Space Time Cube Visualization (Visualisation d’un cube spatio-temporel). Le cube spatio-temporel peut être visualisé en deux ou trois dimensions. Pour visualiser les résultats en 2D, utilisez l’outil Visualize Space Time Cube in 2D (Visualiser un cube spatio-temporel en 2D). Pour visualiser les résultats en 3D, ouvrez une scène et utilisez l’outil Visualize Space Time Cube in 3D (Visualiser le cube spatio-temporel en 3D) ou créez une couche de cube spatio-temporel à l’aide de l’outil Make Space Time Cube Layer (Créer une couche de cube spatio-temporel).
Remarque :
Il est recommandé d’utiliser l’outil Make Space Time Cube Layer (Créer une couche de cube spatio-temporel) pour visualiser un cube spatio-temporel en 3D. Vous pouvez utiliser aussi bien l’outil Visualize Space Time Cube in 3D (Visualiser le cube spatio-temporel en 3D) que l’outil Make Space Time Cube Layer (Créer une couche de cube spatio-temporel) pour visualiser un cube spatio-temporel en 3D, mais la couche de cube spatio-temporel, créée par l’outil Make Space Time Cube Layer (Créer une couche de cube spatio-temporel), offre bien plus d’options de thème d’affichage et de fonctions pour interagir avec la visualisation du cube spatio-temporel.
La visualisation du cube spatio-temporel en 2D et 3D est utile pour les raisons suivantes :
- Elle récapitule les résultats à un emplacement et permet d’afficher et de comparer les résultats entre les emplacements.
- Elle permet de comprendre la structure du cube spatio-temporel.
- Elle permet d’afficher les données et résultats d’analyse et d’interagir avec ces données et résultats, pour mieux comprendre ces derniers.
Thèmes d’affichage
Les thèmes d’affichage sont une symbologie 2D et 3D prédéfinie permettant de visualiser les variables, résultats d’analyse et résultats de prévision contenus dans un cube spatio-temporel. Ces thèmes d’affichage améliorent les résultats d’analyse. Ils les simplifient et les rendent plus intuitifs pour explorer les données dans un cube spatio-temporel. Vous pouvez sélectionner un thème d’affichage en définissant le paramètre Display Theme (Thème d’affichage) dans les outils Visualize Space Time Cube in 2D (Visualiser le cube spatio-temporel en 2D) et Visualize Space Time Cube in 3D (Visualiser le cube spatio-temporel en 3D) ou dans la bibliothèque Themes (Thèmes) du ruban Space Time Cube (Cube spatio-temporel).
Il existe un ou plusieurs thèmes d’affichage par type d’analyse. Le tableau suivant contient les options de thème d’affichage disponibles pour les outils des jeux d’outils Space Time Pattern Analysis (Analyse des modèles spatio-temporels) et Time Series Forecasting (Prévision de séries chronologiques) :
| Outil | 2D themes (Thèmes 2D) | 3D Themes (Thèmes 3D) | Thèmes de couche de cube spatio-temporel |
|---|---|---|---|
Point de changement dans une série chronologique | Point de changement dans une série chronologique | ||
Tendances des points chauds et froids | Tendances des points chauds et froids | Hot Spot Type (Type de point chaud) Hot Spot p-value (Valeur p des points chauds) Hot Spot Z-Score (Score Z des points chauds) | |
Résultats de l’analyse des valeurs aberrantes locales Pourcentage de points aberrants locaux Point aberrant local dans la période la plus récente Localisations sans voisins spatiaux | Résultats des grappes et points aberrants | Local Outlier Type (Type de point aberrant local) Local Moran's I (Indice local de Moran) Local Outlier Z-Score (Score Z des points aberrants locaux) Local Outlier p-value (Valeur p des points aberrants locaux) | |
Résultats de l’agrégation de séries chronologiques | |||
Résultats de la corrélation croisée de séries chronologiques | |||
Emplacements avec tendances des données Tendances Résultats de prévision Résultats de points aberrants de la série chronologique | Résultats de prévision Résultats de points aberrants de la série chronologique | Forecast Result (Résultat de la prévision) Residual Value (Valeur résiduelle) Time Series Outliers (Points aberrants de la série chronologique) | |
Résultats de prévision Résultats de points aberrants de la série chronologique | Résultats de prévision Résultats de points aberrants de la série chronologique | Level Component (Composante de niveau) Trend Component (Composante de tendance) Season Component (Composante de saisonnalité) Level + Trend Component (Composante de niveau et de tendance) Forecast Result (Résultat de la prévision) Residual Value (Valeur résiduelle) Time Series Outliers (Points aberrants de la série chronologique) | |
Résultats de prévision Résultats de points aberrants de la série chronologique | Résultats de prévision Résultats de points aberrants de la série chronologique | Forecast Result (Résultat de la prévision) Residual Value (Valeur résiduelle) Time Series Outliers (Points aberrants de la série chronologique) | |
Résultats des prévisions | Résultats de prévision | Forecast Result (Résultat de la prévision) Residual Value (Valeur résiduelle) |
En savoir plus sur les thèmes d’affichage de visualisation des cubes spatio-temporels en 2D et 3D
En savoir plus sur les thèmes d’affichage de visualisation des couches de cubes spatio-temporels
Vous avez un commentaire à formuler concernant cette rubrique ?