随着国家智能化建设战略的不断升级,以及实时定位、智能移动终端和便携式传感等多项技术的快速普及与发展,时空数据在当下正变得越发容易获取并展现出极大的应用价值。对时空数据进行充分挖掘并获取有价值的知识,可为诸多领域中实际问题的有效解决提供重要帮助。因而,如何更好的学习时空数据所特有的模式表征,并针对不同问题建立精准的预测模型,进而实现高价值知识的自动发现是一个非常重要的研究问题。本文以时空数据为研究对象,围绕时空数据表征学习与预测建模的关键研究问题,针对时间序列预测中的样本重要性采样、时空需求预测中的异构时空表征学习、跨域类别型数据阶依赖嵌入表征中的序列化建模以及基于知识图谱的动态兴趣序列学习等重要研究内容,取得了如下的研究成果:(1)针对传统长短时记忆(Long Short Term Memory,LSTM)模型在时序预测建模时未考虑对输入样本进行重要性采样的问题,提出一种基于进化注意力机制的长短期记忆网络模型(Evolutionary Attention-based Long Short Term Memory,EA-LSTM)。进一步,为避免基于梯度方法求解网络参数时易陷入局部最优,提出一种竞争性随机搜索的进化策略对EA-LSTM模型中的注意力层参数进行求解。多个时序预测任务上的实验结果表明,相比于其他基线方法,该模型能够得到更准确的预测结果。(2)针对共享单车时空需求预测任务,基于用户,骑行与站点三者的时空关系建立动态异构图,提出一种时空图向量化模型(Spatial Temporal Graph to Vector,STG2Vec)学习动态异构图的嵌入表征。进一步,结合地理位置、天气、时间、历史需求模式等多源信息,学习到的动态异构图的嵌入表征可用于实现站点级的共享单车需求量预测。Citi-Bike数据集上的实验表明,该模型能够实现更准确的时空需求预测。(3)针对电子病历中的广泛存在的类别型结构化数据,提出一种跨域类别型属性嵌入模型(Cross-field Categorical Attributes Embedding,CCAE),通过逐阶特征交互,挖掘变量间的语义耦合关系,以学习属性级多阶向量化表征。进一步,巧妙地将建模多阶表征间阶依赖关系转化为一个广义的序列学习问题,并通过循环神经网络捕捉多阶表征间的语义相关性。SEER电子健康记录数据集上的实验结果表明,CCAE能够实现更精准的临床终点预测。(4)针对基于知识图谱的点击率预测任务中,既有基于路径与基于知识图谱实体嵌入的方法难以学习用户动态兴趣序列间的语义模式表征的问题,提出一种基于知识图谱的动态兴趣表征学习方法(Dynamic Interest Sequence Learning,DISL)。具体地,一种由知识强化的路径挖掘和动态兴趣信号发现联合构成的多粒度动态兴趣序列学习方法被提出,并用于准确地建模用户历史行为序列中所反映出的兴趣偏好特征。在多个数据集上的实验结果表明,相比于其他基线,DISL具有更好的推荐性能。