Η ραγδαία εξέλιξη της τεχνολογίας και η αυξημένη χρήση πληροφοριακών συστημάτων οδήγησε στην δημιουργία και συλλογή χωροχρονικών δεδομένων όπως για παράδειγμα δεδομένα κυκλοφορίας, εγκληματικότητας και σεισμικής δραστηριότητας. Χαρακτηριστικό του εν λόγω τύπου δεδομένων είναι ότι περιλαμβάνουν μοτίβα τα οποία είναι δύσκολο να εντοπιστούν με συμβατικούς τρόπους ανάλυσης, προκειμένου εξαχθούν συμπεράσματα και προβλέψεις. Αντίθετα έχει διαπιστωθεί ότι εργαλεία τεχνητής νοημοσύνης και συγκεκριμένα βαθιάς μάθησης, παρουσιάζουν ικανοποιητικά αποτελέσματα, όσον αφορά την ικανότητά τους να αντιλαμβάνονται συσχετίσεις υψηλού επιπέδου σε χωροχρονικά ιστορικά δεδομένα. Σε περιπτώσεις πρόβλεψης όπου η πολυπλοκότητα και το πλήθος των πρωτογενών χωροχρονικών δεδομένων είναι μεγάλη, όπως για παράδειγμα η χωροχρονική πρόβλεψη του εγκλήματος, η πρόβλεψη της κυκλοφορίας, η πρόβλεψη εξέλιξης πανδημίας, η ακόμα και η αναγνώριση της ανθρώπινης δραστηριότητας, μοντέλα βαθιάς μάθησης παρουσιάζουν ικανοποιητική ακρίβεια στα αποτελέσματά τους. Παρόλα αυτά η αποτελεσματικότητα των εν λόγω μοντέλων εξαρτάται μεταξύ άλλων σε σημαντικό βαθμό από την αρχιτεκτονική τους καθώς και την δομή των δεδομένων με τα οποία εκπαιδεύονται. Με βάση τα παραπάνω, Αντικείμενο της προτεινόμενης έρευνας αποτελεί η ανάπτυξη, δοκιμή και αξιολόγηση αλγορίθμων βαθιάς μάθησης σε διαφορετικά σύνολα χωροχρονικών δεδομένων με σκοπό την δημιουργία καινοτόμων εργαλείων πρόβλεψης χωροχρονικά μεταβαλλόμενων τιμών. Αυτό θα επιτευχθεί μέσω:

(α) Της κριτικής επισκόπησης της υφιστάμενης κατάστασης γύρω από την εφαρμογή τεχνικών βαθιάς μάθησης σε χωροχρονικά σύνολα δεδομένων.

(β) Του σχεδιασμού και της ανάπτυξης νέων χωροχρονικών εργαλείων βαθιάς μάθησης για την χωροχρονική πρόβλεψη.

(γ) Της δοκιμής και αξιολόγησης των εργαλείων που θα αναπτυχθούν.