如何安抚新上车的时代女郎，已经完全不需要吴尘操心。
事实也绝对胜于雄辩。在众目睽睽之下，可可操纵轨道机械钳表演拼接车的前后挪移。又让她们自己驾驶车辆展示拼接车的内外重叠。还有一个容易被忽略的细节，终于被菲亚特号上的时代女郎们想起。在先前的时空拼贴中，菲亚特309武装大巴前后共计拼贴了5次。分明就是5×拼贴。前四次都是拼贴的女警吉安娜驾驶的警车，拼贴了309大巴9排座椅的前8排。剩下的最后一排座椅被女摄影师的菲亚特500L补全。
再想想，对不对？
“指挥官先生，您的意思是，拼贴的次数可以参考汽车座椅对吗？”可可立刻就想到了啊。
“座椅是拼接车辆时，一个非常明显的‘标志物’。”吴尘也不否认这是对“时空贴片”非常简单化的认知：“从每辆汽车的‘时空体积’而言，相应的‘要素’都会自然重叠。就像是简简单单的‘相似相容’。”
在计算机技术中，“时空体积”是指将给定序列的帧进行堆叠，前提是精确的定位、对齐以及背景剪除。属于行为识别的一种方式。
而时空体积在科学中的概念，近似于“流形（Manifold）”：是局部具有“欧几里得空间（Euclidean space）”性质的空间，在数学中用于描述几何形体。物理上，经典力学的相空间和构造广义相对论的时空模型的四维伪黎曼流形都是流形的实例。
而伴随计算机技术新晋诞生的“流形学习（Manifold Learning）”是机器学习、模式识别中的一种方法，在“维数约简算法”方面具有广泛的应用。它的主要思想是将高维的数据映射到低维，使该低维的数据能够反映原高维数据的某些本质结构特征。流形学习的前提是有一种假设，即某些高维数据，实际是一种低维的流形结构嵌入在高维空间中。流形学习的目的是将其映射回低维空间中，揭示其本质。流形学习可以作为一种数据降维的方式。此外，流形能够刻画数据的本质，主要代表方法有等距映射、局部线性嵌入等。
自 2000年在着名的科学杂志《Science》首次提出以来，流形学习成为机器学习领域中的一个热点。
而来自庇护所的大玩家吴尘，则科幻的称之为“时空贴片”。
最简单的解释就是：“从剧情时空的层面对剧情造物进行剧情要素的解构和重组”。本质上是一种高维规则的低纬展现。
“车壳叠车壳、玻璃叠玻璃、引擎叠引擎、座椅叠座椅、轮胎叠轮胎。”《罗马周刊》女记者帕特里齐娅·瑞达说出自己的理解。
事实上如果从“记忆体”的角度而言，作为“一段破碎的记忆”，相似记忆碎片的叠加，理解起来要更加容易。