大数据时代为诸多行业的变革提供了巨大推动力。为获取和处理更多数据,越来越多的技术被发明和应用,“万物互联”已成趋势。大多物联网数据同时具有时间和地点标签。近年来,大规模时空序列层出不穷。基于大数据对时空序列相关性和因果性进行挖掘,并据此进行推断和预测成为了大数据的重要应用之一。本文的研究内容为大规模低频时空序列的预测和大规模高频时空序列的模式识别,主要在大规模时空序列的模型上进行一些改进与尝试以便大规模时空序列在各个行业的应用。本文首先详细梳理了当前时空序列预测模型的发展及其广泛的应用场景。对常用的层次分析模型进行了详细阐述,并在层次模型的框架下详细介绍了本文所使用到的STARMA模型以及时空Kriging模型,给出了其参数推断过程的简要公式推导。低频时空序列预测方面,针对小规模时空数据集,通过分析原有时空模型STARMA关于空间相关性假设以及时空Kriging模型方程组奇异性的局限性,将时空Kriging技术和STARMA模型进行结合。通过对时空Kriging进行稀疏化并将稀疏的权重结果作为STARMA模型的空间权重矩阵。这样,一方面通过稀疏化解决了时空Kriging难以求解逆矩阵的问题,另一方面突破了STARMA模型空间权重矩阵构建的局限性。之后,通过分析论述两种模型均无法在大规模数据集中应用。据此,针对大规模时空数据集,通过详细的公式推导和算法说明,阐述了新提出的基于奇异值分解技术和带有季节效应的差分自回归移动平均模型的时空序列预测技术。大规模低频时空序列预测方法以上海市某地区通信基站流量数据集为研究案例,对比了新方法和已有经典时空模型方法的预测精度,给出算法的使用条件及其应用价值。大规模高频时空序列方面,本文基于刀具加工过程的振动信号,利用刀具退化过程信号的同步性构建基于Group Lasso约束的分段线性回归模型对高维信号中的同步变点进行检测,进而完成刀具不同健康寿命阶段的划分,并通过仿真数据和真实刀具加工信号数据与目前常用的方法进行对比验证其应用价值。最终,本文通过提出分别针对大规模低频时空序列的预测模型以及大规模高频时空序列的模式识别模型,在大数据背景下为时空序列模型的发展做出了尝试,并在真实应用中得到了较好的效果。