Spatial and Temporal Analytics
2025/2026
Modulets indhold, forløb og pædagogik
FORMÅl
Formålet med kurset er at udstyre den studerende til at udføre
analyser, der muliggør værdiskabelse ud fra spatial, temporal, og
spatio-temporal data. Sådanne data forekommer ofte i mange vigtige
samfundsmæssige og industrielle miljøer og applikationer, f.eks. I
relation til smart cities, transport, analyser af sociale medier,
folketællingsdataprogrammer, forudsigelig vedligeholdelse og
digital energi
Læringsmål
Viden
- kendskab til forskellige klasser af analyser relateret til spatial, temporal, og spatio-temporal data såsom det følgende
metoder til aggregering og identifikation af mønstre: Eksempler omfatter spatial and temporal aggregering og identifikation af tidsmæssige og rumlige mønstre; og motiver, tendenser og periodicitet i tidsserier
metoder til identifikation af lighed og klynger: Eksempler omfatter forespørgsel fra nærmeste nabo om geografiske og rumlige data; gruppering af spatial and spatio-temporal data, såsom interessepunktdata og andre rumligt og tidsmæssigt kommenterede data; trajectory mining og klynge, såsom identifikation af sambevægelse, konvojer, flokke og sværme; og lighed og sammenhænge i tidsserier
metoder til identifikation af outliers: f.eks. Detektering af outlier i data af interessepunkter, tidsserier og baner
forudsigelsesmetoder: for eksempel forudsigelse af fremtidige tilstande fra nuværende og tidligere data i form af tidsserier, forudsigelse af fremtidige placeringer af baner
Færdigheder
- at kunne modellere og repræsentere et givet spatial og temporal
datasæt på en effektiv måde
- at kunne udføre analyser af givne spatial og temporal data ved hjælp af relevante metoder og teknikker
Kompetencer
- at kunne vælge relevante metoder og teknikker til en given
spatial og temporal analyseanvendelse
- i stand til at forstå og begrunde resultaterne af spatial og temporal analyse
Undervisningsform
Undervisningen tilrettelægges i henhold til de generelle undervisningsformer for uddannelsen jf. § 17.
Omfang og forventet arbejdsindsats
Det forventes at den studerende bruger 30 timer per ECTS, hvilket for denne aktivitet betyder 150 timer.
Eksamen
Prøver
| Prøvens navn | Spatial and Temporal Analytics |
| Prøveform | Skriftlig eller mundtlig |
| ECTS | 5 |
| Tilladte hjælpemidler | Eventuelle tilladte hjælpemidler, vil fremgå af kursussiden i MOODLE |
| Bedømmelsesform | 7-trins-skala |
| Censur | Intern prøve |
| Vurderingskriterier | Vurderingskriterierne er angivet i Universitetets eksamensordning |
Yderligere informationer
Kontakt: Studienævn for datalogi via cs-sn@cs.aau.dk eller 9940 8854
Fakta om modulet
| Engelsk titel | Spatial and Temporal Analytics |
| Modulkode | DSNDVMLK332 |
| Modultype | Kursus |
| Varighed | 1 semester |
| Semester | Efterår
|
| ECTS | 5 |
| Undervisningssprog | Dansk og engelsk |
| Tomplads | Ja |
| Undervisningssted | Campus Aalborg |
| Modulansvarlig |
Organisation
| Uddannelsesejer | Cand.scient. i datavidenskab og machine learning |
| Studienævn | Studienævn for Datalogi |
| Institut | Institut for Datalogi |
| Fakultet | Det Teknisk Fakultet for IT og Design |
