空间数据是指那些带有地理位置信息的数据。在当前的大数据时代，空间数据占了很大的比例，并且在处理时具有自身的特点。与此同时，时间维度的数据分析，特别是时间序列预测，已经成为从大数据中提取有价值信息的重要技术，在众多的领域得到广泛的应用和研究。一方面，传统的预测分析方法，比如统计模型、机器学习模型和特征工程，可以有效的应用于空间数据的分析，但是也存在一些问题，如时间序列预测中的概念偏移问题、异构多源数据的融合问题等;另一方面，空间知识表达和推理逐渐被发现在提升预测分析模型的解释性、时间序列变化建构、关联数据分析等方面具有很大的优势，但是目前它在时间序列预测方面的研究和应用还比较有限。结合传统预测分析和知识推理是一个进一步提升空间大数据时间序列分析的重要途径，同时也存在比较大的研究空间。　　本研究主要内容包括：⑴从社交媒体空间大数据和物理传感器空间大数据中提取时空相关性特征，如人群移动特征、人群观点特征和空间转移特征等，以提供有效的经验性结果来帮助解决实际的预测问题。⑵研究用于解决预测分析中异构多特征融合、大数据学习等问题的机器学习模型，如基于熵的集成学习框架、基于MapReduce的分布式神经网络训练框架和针对多视图特征融合的集成学习框架。⑶提取一种基于语义推理和机器学习的一致性时间序列预测框架。它通过本体建模和语义推理来挖掘出时间序列变化知识，并且对这些知识进行量化表达和嵌入，以融入机器学习算法，得到一致性的预测框架，并且取得比传统纯机器学习方法更好的预测精度。⑷将上述预测分析和时空语义推理研究中得到的方法和经验性成果应用于两个对人们生活健康有重要影响的空间大数据预测分析应用，分别是雾霾的趋势预测和实时公众健康分析。