在“中国制造2025”和“互联网+”战略的指导下,信息技术与制造业融合创新发展,汽车行业累积了大量业务数据。伴随汽车产业链整车销售、售后服务等业务流程的执行进展,其关联业务数据可能发生变化,导致数据时效性难以判断,即无法确定当前数据否有效可用、其所在业务流程是否执行完成。然而,数据的时效低,将进一步导致数据的可靠度、准确性较低,从而影响业务数据分析挖掘的质量。为解决时效性问题,仅凭数据记录的时间属性,如输入时间、出库时间等无法判别,其原因在于业务流程的执行没有固定标准时间,则需判断整个业务流程中各关键节点对应表单的状态,以此实现对当前表单及其关联数据的时态判别标记。为此,论文面向汽车产业多价值链数据空间,开展业务数据时态性技术研究及验证实现。论文首先分析汽车产业链业务数据的时效性问题,针对该问题,论文构建面向数据空间的时态运维管控总体解决方案,主要包括数据时态的动态处理方案及时态数据资源的服务方案。其次,基于该解决方案,论文对时态运维管控系统的总体架构及各功能流程进行设计,同时完成系统数据库的数据模型设计,为系统开发提供数据支持。接着,论文依据数据空间的各业务主题标准,梳理分析多种业务流程及其业务数据的关联关系,以各业务流程中“审核”、“结算”、“支付”等关键节点的状态为判别依据,定义并提出基于业务流程关键节点的TS＿BP时态属性。而基于平台与数据空间的数据动态交换体系,数据空间中数据时态也需及时更新。为此,论文提出了基于规则处理的数据空间TS＿BP时态处理模型,同时设计了基于数据图模型的时态判别及检测更新算法。实验证明,虽然数据图的构建耗费时间,但当数据条数大于15条时,采用基于数据图的时态处理算法,其总体执行时间性能便可超过传统基于主外键码SQL查找的时态处理算法。然后,为验证TS＿BP时态属性的实际意义,论文以整车需求量预测任务为例,将时态加权引入到特征工程中,以此提高实时数据的可靠准确度,同时增加样本空间的特征多样性。论文主要从时态特征增强学习和模型组合优化两方面入手,构建时态特征下的整车需求量预测模型。实验显示,在XGBoost、Light GBM、LSTM这三种单一模型下,添加TS＿BP时态加权特征的模型误差均小于原始特征模型。与此同时,构建基于Xgb＿Lgb＿LSTM的组合预测模型,可进一步提升模型泛化性及预测精度。最后,论文采用前后端分离的开发模式,后端基于Spring Cloud微服务技术架构,前端基于Vue+Element UI开发框架,使用IDEA、VSCode等集成开发工具,完成B/S模式下的数据空间时态管控系统开发,并借助Echarts图表实现数据可视化展示。