在全球城市化进程不断推进、我国大力发展城市数字经济的背景下,深入挖掘和分析城市时空大数据变成了推动社会、经济和科技进步的重要引擎。近年来,随着移动感知、互联网的普及以及城市中各种固定和移动传感设备的部署,海量的城市时空数据得到采集和利用,反映出城市在不同领域发展的动态。通过对海量城市时空数据的建模预测,很多研究工作已经在交通、通信、环境和资源优化等领域产生了重要的价值,例如,通过预测交通状况可以提前规划车辆路线防止道路拥堵,预测通信环境可以优化频谱资源分配,缓解网络拥塞问题,显著提高了城市运行效率以及居民生活质量。同时考虑到城市的规模巨大,预测模型的迁移和大规模部署也十分重要。因此,本文重点研究对于城市时空数据的预测以及在不同场景下的时空知识迁移的问题。本研究课题主要存在以下挑战:首先,城市时空数据维度高、规模大,存在多尺度的相关性,现有的模型难以直接适用;其次,新场景下城市时空数据的获取和模型部署成本高,缺少高效的城市时空知识迁移方法;最后,考虑到城市动态复杂多样,与天气环境、区域功能、政府政策等多模态信息紧密耦合,融合多模态数据的时空特征十分困难。针对这些挑战,本文分别研究了对城市中广泛存在两类数据,空间静态-时间动态数据（多元时间序列）和空间动态-时间动态数据（时空动态数据）的精准建模预测问题,并在其基础上进一步研究了两种时空知识迁移的框架,最后探索了多模态数据时空特征融合的问题。本文的主要工作和贡献总结如下:1.概述了城市时空数据的来源、类型、特点以及典型的应用场景,介绍了现有的国内外相关工作,并且阐述了其中亟待解决的问题与挑战。2.研究了多元时间序列相关性建模的问题。面向城市无线电频谱信号预测场景,本文提出了一个基于双阶段注意力机制的神经网络。该模型考虑到了无线电频谱信号中复杂的时域-频域相关性,引入了两个注意力机制模块分别建模频域和时域的信号相关性。此外,设计了一个基于图像处理的信号识别模块,能够快速的从原始无线电频谱数据中定位出信号的位置,便于后续的建模分析工作。通过真实采集的数据进行实验,验证模型在无线电频谱信号预测任务上相比基线算法取得了6%～17%的预测精度提升,最后结合可视化的方法分析了模型的可解释性。3.研究了基于实例的时空知识迁移框架。面向城市无线电频谱信号预测场景,在单站点多元时间序列建模的基础上,本文进一步考虑多个站点、多个频段无线电频谱信号之间的知识迁移问题。提出了一个加权迁移学习框架,在实例层面对来自不同域的数据根据相似性进行加权,使得源域中含有和目标域较多共同特征的数据实例得到强化。实验结果表明提出框架可以鲁棒的应用于真实世界中多种场景,有效地提高模型在目标域的预测精度。4.研究了时空动态数据的多尺度建模问题。面向城市无线电频谱地图重建场景,本文设计了一个基于时空残差模块和图像超分辨率的神经网络,该模型能够有效的从粗粒度的时空动态数据中提取多尺度的特征,并重建出细粒度的无线电频谱地图。实验结果表明模型在多种任务设置下超过了基线模型,取得了6%～19%的重建精度提升。此外通过一个案例研究,说明模型能够有效提升基于Wi-Fi指纹地图的定位系统精度到5米的范围。5.研究了基于特征的时空知识迁移问题。面向城市无线电频谱地图重建的场景,考虑到实际系统中收集带标签的细粒度无线电频谱地图数据的困难,本文引入了无监督域自适应的方法来增加模型在新场景中没有任何标签情况下的泛化能力。该方法采用了对抗性学习的框架进行训练,使得源域和目标域的数据在编码器提取的特征空间中对齐,在此基础上,模型可以高效的从源域泛化到目标域,节省模型训练和数据采集的消耗。6.研究了多模态数据的时空特征融合的问题。面向疫情期间城市人群移动预测的场景,本文设计了一个基于Transformer和门控融合的生成对抗网络模型,其中的门控融合模块用于建模外源的多模态数据（如政府政策、疫情状况）对人群移动的影响。基于多个城市的真实数据实验结果表明,模型可以准确地预测下一波疫情中的在不同的政策强度下人群移动的规律,同时模型还允许政策制定者仿真评估不同政策对人群移动性的潜在影响,从而在疫情期间制定更合适的政策,使其能够在控制疫情发展的同时减轻对人们正常生活的影响。