arXiv 0807.25882008-07-16stat.AP

古生态数据的时空函数回归

Spatio-temporal Functional Regression on Paleo-ecological Data

Liliane Bel, Avner Bar-Hen, Rachid Cheddadi, Rémy Petit

摘要：

气候对生物多样性的影响是一个重要的生态学问题。各种理论试图将气候变化与等位基因丰富度联系起来，从而预测全球变暖对遗传多样性的影响。我们在欧洲山毛榉林的遗传多样性和温度和降水量的花粉数据库重建曲线之间的关系建模。我们的模型通过线性函数回归将遗传测量与气候曲线联系起来。假设气候变量的相互作用是双线性的。由于数据是地理参考的，我们的方法考虑了观测之间的空间依赖性。这些扩展的实际问题进行了讨论。

英文摘要：

The influence of climate on biodiversity is an important ecological question. Various theories try to link climate change to allelic richness and therefore to predict the impact of global warming on genetic diversity. We model the relationship between genetic diversity in the European beech forests and curves of temperature and precipitation reconstructed from pollen databases. Our model links the genetic measure to the climate curves through a linear functional regression. The interaction in climate variables is assumed to be bilinear. Since the data are georeferenced, our methodology accounts for the spatial dependence among the observations. The practical issues of these extensions are discussed.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

动态时空生态过程的优化监测

Monitoring dynamic spatio-temporal ecological processes optimally

人口动态在空间和时间上各不相同。忽略这些动态的调查设计可能是低效的，并且无法捕获过程的基本时空变异性。另外，动态调查设计明确纳入生态过程的知识，在这些过程中的相关不确定性，并可以优化监测目标。我们描述了一个有凝聚力的框架，监测人口的蔓延，明确联系动物运动模型与调查设计和监测目标。我们应用该框架开发一个最佳的调查设计海獭在冰川湾。海獭于1988年首次在冰川湾被发现，此后数量和分布都有所增加;数量估计从5只增加到5，000只以上，它们的传播速度超过每年2.7公里。通过明确地将动物运动模型和调查设计联系起来，我们能够减少与预测的占有率，丰度和分布相关的不确定性。我们描述的框架是一般的，我们概述了将其应用到新的系统和分类群的步骤。

2017-07-10stat.AP

在同化的古气候重建中评估代用影响--检验两个空间过程集合的交换性

Evaluating proxy influence in assimilated paleoclimate reconstructions -- Testing the exchangeability of two ensembles of spatial processes

气候场重建（CFR）试图使用气候代用指标（如树木年轮、冰芯和珊瑚）来估计过去气候变量的时空场。数据同化（DA）方法是一种最新的和有前途的新手段，获得CFRs的最佳融合的气候代理与气候模式输出。尽管越来越多的应用DA为基础的CFRs，很少有人知道同化代理改变气候模式数据的统计特性。为了解决这个问题，我们提出了一个强大的和计算效率高的方法，功能数据深度的基础上，评估两个时空过程的分布差异。我们应用我们的测试来研究全球和区域代理的影响DA为基础的CFRs通过比较的背景和分析状态，这被视为两个样本的时空场。我们发现，分析状态显着改变，从气候模式为基础的背景状态，由于同化的代理。此外，分析状态和背景状态之间的差异随着代理的数量而增加，即使在远远超出代理收集站点的区域中也是如此。我们的方法使我们能够表征代理的附加值，表明分析状态在何处以及何时与背景状态不同。

2020-08-05stat.APstat.ME

用关系事件模型分析生态动态：以生物入侵为例

Analysing ecological dynamics with relational event models: the case of biological invasions

目的：时空过程在生态学中起着关键的作用，从基因到大尺度的宏观生态和地理过程。现有的方法研究这种时空结构化的数据，要么简化动态结构或复杂的相互作用的生态驱动程序。本文的目的是提出一种通用的生态研究方法，允许分析时空格局的生物过程在大的空间尺度上，包括随时间变化的变量，驱动这些动态。研究方法：我们介绍了一种称为关系事件建模（REM）的方法，它依赖于时间的交互动态，编码序列的关系事件连接发送方节点到接收方节点在特定的时间点。我们将REM应用于1880年至2005年期间全球范围内外来物种的传播，这些外来物种是在偶然或故意引入其本土范围以外的地理区域之后传播的。在这种情况下，一个关系事件代表了一个外来物种的新出现，因为它以前的分布。结果如下：REM的应用程序的第一次报告的入侵4835建立外来物种的本土范围外，从四个主要的分类群，使我们能够解开的主要驱动力的外来入侵物种的传播的动态。将外来物种的首次记录数据与其他时空信息相结合，使我们能够发现哪些因素导致了物种在全球的传播。除了物种入侵的通常驱动因素，如贸易，土地使用和气候条件，我们还发现了外来物种传播中物种相互关联的证据。结论：REM提供了解释生物入侵等生态事件的时间序列的能力，并研究这些事件与潜在驱动因素之间的关系如何随时间变化。

2023-03-11stat.AP

具有年周期的大样本气候资料的多变量时空分层模式

A Hierarchical Multivariate Spatio-Temporal Model for Large Clustered Climate data with Annual Cycles

本文提出一个多变量层次时空模型来描述月极端气温和月降水量的联合序列。现有360个监测站60年来的数据，缺失数据影响到几乎所有系列。模型组件占时空依赖性与年度周期，依赖于协变量和响应之间。采用最近邻高斯过程对海量数据进行时空相关性建模。响应多变量的依赖关系描述使用coregionalization的线性模型，而年度周期进行评估的时间的圆形表示。所提出的方法可以填补缺失值和容易插值的气候表面在国家一级。背后的动机是对意大利领土上所谓的生态区的描述。生态区划定了在气候、自然地理、水文地理、植被和野生动物方面具有类似潜力的广泛而离散的生态均质地区，并为解释生态过程、干扰状况、植被格局和动态提供了一个地理框架。到目前为止，意大利两个主要的宏观生态区按等级划分为35个区。意大利生态区目前的气候特征是基于1955-1985年期间的数据和生物气候指数，需要适当更新。

2017-12-31stat.AP

时空数据挖掘在生态学和兽医流行病学中的应用

Spatio-temporal data mining in ecological and veterinary epidemiology

了解任何疾病的传播都是一项高度复杂和跨学科的工作，因为生物，社会，地理，经济和医学因素可能会影响疾病在人群中的传播方式以及最终控制或根除疾病的选择。疾病传播对动物和植物健康构成严重威胁，并对生态系统功能和物种保护产生影响，并通过粮食安全和人类潜在的疾病传播对社会产生影响。时空流行病学的概念是，病原体的各种特征与环境相互作用，以改变疾病发生的概率，并形成时间或空间模式。流行病学旨在识别这些模式和因素，评估相关的不确定性来源，并描述人群中的疾病。因此，疾病在人群中的传播与兽医传统上采取的主要关注个人健康状况的方法不同。疾病发生的模式通过调查哪些人受到影响、这些人位于何处以及何时受到感染，使人们了解哪些因素可能影响人口的健康。随着智能传感器、社交网络以及数字地图和遥感影像的快速发展，时空数据比以往任何时候都更加普遍和丰富。如此大的数据集（大数据）的可用性给数据分析带来了巨大的挑战。此外，计算能力的增加的可用性促进了用于分析此类数据的计算密集型方法的使用。因此，需要新的方法以及案例研究来了解兽医和生态流行病学。一个专门的问题，旨在解决这个问题。

2016-12-13q-bio.PEstat.APstat.CO

用双稀疏高斯过程模拟欧洲古气候的时空过程

Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes

Cluster of Excellence Machine Learning（机器学习卓越集群）；Heidelberg Academy of Sciences and Humanities（海德堡科学与人文学院）；University of Tübingen（图宾根大学）

古气候学--研究过去的气候--的相关性超出了气候科学本身，例如在考古学和人类学中理解过去人类的扩散。有关地球古气候的信息来自物理和地球化学过程的模拟，以及在自然发生的档案中发现的代用记录。气候场重建（CFRs）将这些数据组合成一个统计空间或时空模型。到目前为止，还没有一个共识的时空古气候模型，是连续的空间和时间，产生的预测与不确定性，并可以包括来自不同来源的数据。高斯过程（GP）模型将具有这些期望的属性;然而，GP的规模不利的数据的大小典型的建设CFR。我们建议建立在稀疏时空GP的最新进展，减少计算负担，通过结合变分方法诱导变量与状态空间制定的GP。我们成功地采用这样一个双稀疏GP构建一个概率模型的欧洲古气候从末次冰期最大期（LGM）到全新世中期（MH），综合古气候模拟和花粉代用数据。

2022-11-15cs.LGstat.AP

更多相关论文收起更多论文

加拿大野生动物高致病性禽流感A(H5N1)的时空动态及生态风险因素：一项One Health监测分析

Spatiotemporal dynamics and ecological risk factors of highly pathogenic avian influenza A(H5N1) in Canadian wildlife: A One Health surveillance analysis

Auckland University of Technology（奥克兰理工大学）

本研究通过分析加拿大2022-2026年野生动物H5N1疫情监测数据，揭示了该病毒的时空动态及与检测数量相关的风险因素，采用描述流行病学、空间聚类方法和负二项混合模型进行分析，发现 Eurasian-North American 病毒谱系主导检测，并识别出年份、季节和谱系是关键预测因子。

2026-05-21math.STq-bio.PEstat.AP

支持小区域估计的时空区域模型：在国家尺度森林碳监测中的应用

Spatio-temporal areal models to support small area estimation: An application to national-scale forest carbon monitoring

针对NFI在小空间域和短时间段内森林碳趋势与变化估计的不足，提出一种时空贝叶斯模型框架，提供具有完整不确定性量化的现状、趋势和变化估计，并通过模拟和大规模数据验证其有效性。

2024-07-30stat.AP

一种在优先采样下整合渔业依赖与独立数据的零膨胀时空模型

A Zero-Inflated Spatio-Temporal Model for Integrating Fishery-Dependent and Independent Data under Preferential Sampling

本研究提出一种零膨胀时空模型，整合渔业依赖与独立数据，解决零膨胀和优先采样问题，模拟验证准确，并成功应用于欧洲沙丁鱼分布研究，为渔业管理提供洞见。

2025-09-11stat.APstat.ME

解释和预测法国东南部狼（狼〈动物〉>）定居的一个机械统计物种分布模型

A mechanistic-statistical species distribution model to explain and forecast wolf (Canis lupus) colonization in South-Eastern France

物种分布模型是生态学家了解和预测物种分布范围的重要统计工具。然而，标准的SDM并没有明确地包含像分散这样的动态过程。这一限制可能会导致对物种分布的推断出现偏差。在这里，我们采用的生态扩散理论，最近被引入统计生态学纳入生态模型的时空过程。作为一个案例研究，我们考虑了狼（狼〈动物〉>），自90年代初以来，它通过从亚平宁山脉的扩散，自然地使法国东部地区变得更加繁荣。利用偏微分方程模拟物种扩散和增长在一个破碎的景观，我们开发了一个机械统计时空模型占生态扩散，逻辑增长和不完善的物种检测。我们进行了模拟研究，并显示我们的模型的能力，i）估计生态参数在不同的情况下，对比物种检测概率和调查点的数量和ii）预测未来的分布。我们发现，在法国的狼人口的增长率是由森林覆盖率的比例，扩散的影响，人类密度和物种的可检测性增加调查工作。使用2007-2015年期间估计的参数，我们预测了2016年的狼分布，并发现与当年的实际检测结果吻合良好。我们的方法可能有助于管理与人类活动相互作用的物种，以预测潜在的冲突。

2020-02-17q-bio.PEq-bio.QMstat.AP

数据整合与时空统计能量化法律医学改革的相对风险：以澳大利亚昆士兰州警察紧急精神健康响应为例

Data Integration and spatio temporal statistics can quantify relative risk of medico-legal reforms: the example of police emergency mental health responses in Queensland (Australia)

Curtin University（科廷大学）；Australian Institute of Tropical Health and Medicine, James Cook University（詹姆斯库恩大学澳大利亚热带健康与医学研究所）；Cairns Hospital（凯恩斯医院）

本研究利用跨83个邮区的13,035条警察记录，通过Lasso和条件自回归模型分析远北昆士兰EE-O/A入院的时空动态，发现社会经济劣势与服务可及性是主要驱动因素，强调需在贫困社区进行针对性干预。

2025-10-13stat.APstat.ME

时空模拟器的高阶奇异值分解张量模拟器

A higher-order singular value decomposition tensor emulator for spatio-temporal simulators

我们介绍的方法来构建一个模拟器的环境和生态的时空过程，使用高阶奇异值分解（HOSVD）作为扩展的奇异值分解（SVD）的方法来仿真。该方法的一些重要优点是它允许使用监督学习方法的组合（例如，随机森林和高斯过程回归），并且还允许预测在训练样本中未使用的空间位置和时间点处的过程值。该方法被证明与两个应用程序：第一个是一个周期性的解决方案，从冰川学的浅冰近似偏微分方程，第二个是一个基于代理的集体动物运动模型。在这两种情况下，我们都展示了将不同的机器学习模型结合起来进行精确仿真的价值。此外，在基于代理的模型的情况下，我们证明了张量仿真器成功地捕捉空间和时间中的个人行为的能力。我们通过一个真实的数据例子证明了执行贝叶斯推断的能力，以学习参数管理集体动物行为。

2021-07-13stat.APstat.ME

减轻时空区域模型中的混淆，并应用于印度对妇女的犯罪

Alleviating confounding in spatio-temporal areal models with an application on crimes against women in India

在空间分布模型中，评估感兴趣的响应与一组协变量之间的关联是生态回归的主旨。然而，如果不小心处理，空间相关的随机效应的存在可能会掩盖或甚至由于混淆效应而使这种关联的估计值产生偏差。虽然可能有害，但混淆问题在实践中往往被忽视，导致对响应和协变量之间潜在关联的错误结论。在时空区域模型中，时间维度可能会成为新的混杂源，问题可能会更糟。在这项工作中，我们提出了两种方法来处理混淆的固定效应的空间和时间的随机效应，同时获得良好的模型预测。特别是，限制回归和一个显然-虽然事实上不是-等效的程序，使用约束条件内提出了完全贝叶斯和经验贝叶斯方法。在固定效应估计和模型选择标准方面对这些方法进行了比较。这些技术被用来评估嫁妆死亡和某些社会人口协变量在印度北方邦的地区之间的关联。

2021-04-07stat.APstat.ME

基于INLA的时空占用模型

Spatio-temporal Occupancy Models with INLA

本文提出利用INLA框架拟合复杂时空占用模型，通过将模型构建为潜在高斯模型，实现高效计算，并借助案例展示其处理空间趋势和随机效应的能力，为生态学提供灵活工具。

2024-03-15stat.APstat.ME

量化入侵扩散的时空变化

Quantifying Spatio-Temporal Variation of Invasion Spread

入侵物种的扩散可能会对环境和生态产生深远的影响。了解入侵传播模式和驱动入侵的潜在过程是预测和管理入侵的关键。我们结合了一套统计方法，以一种新的方式来表征当地的传播特性，并展示了它们的应用程序，使用模拟和历史数据入侵昆虫。我们的方法使用了一个高斯过程来拟合入侵等待时间的曲面，以表征传播的向量场。使用这种方法，我们估计与统计不确定性的速度和方向的蔓延在每个位置。分层扩散模型的仿真验证了该方法的准确性。我们展示了我们如何将当地的传播率与环境协变量联系起来，这两个案例研究是：舞毒蛾（舞毒蛾）的传播，以及北美的铁杉绵球蚜（松盖球蚜）。我们提供了一个R-包，自动计算任何空间参考的等待时间数据。

2018-10-10q-bio.PEstat.ME

稳健的时空分布回归

Robust Spatio-Temporal Distributional Regression

针对连续变量分布函数的时空建模中边界值问题，提出边界膨胀二项模型，结合Pólya-Gamma数据增强与动态高斯预测过程实现高效贝叶斯推断，显著优于标准二项分布回归。

2025-08-07stat.ME

时空数据的深层神经网络和深层层次模型的比较

Comparison of Deep Neural Networks and Deep Hierarchical Models for Spatio-Temporal Data

University of Missouri（密苏里大学）

时空数据在农业、生态和环境科学中无处不在，它们的研究对于理解和预测各种各样的过程非常重要。建模随时间变化的空间过程的困难之一是必须描述这种过程如何变化的依赖结构的复杂性，以及高维复杂数据集和大型预测域的存在。它是特别具有挑战性的非线性动态时空模型（DSTM），同时是有用的科学和高效的计算指定参数化。统计学家已经开发出了深层的层次模型，可以适应过程的复杂性以及预测和推理中的不确定性。然而，这些模型可能是昂贵的，并且通常是特定于应用的。另一方面，机器学习社区已经开发了用于非线性时空建模的替代“深度学习”方法。这些模型是灵活的，但通常不会在概率框架中实现。这两种范式有许多共同之处，并提出了混合方法，可以从每个框架的元素中受益。本文简要介绍了深度分层DSTM（DH-DSTM）框架和机器学习中的深度模型，最终介绍了深度神经DSTM（DN-DSTM）。最近的方法，结合从DH-DSTM和回声状态网络DN-DSTM的元素作为说明。

2019-02-22cs.LGstat.ML

EcoCast：一种用于持续生物多样性和气候风险预测的空间时间模型

EcoCast: A Spatio-Temporal Model for Continual Biodiversity and Climate Risk Forecasting

Concordia University（康考迪亚大学）；Algoma University（阿尔戈马大学）

EcoCast通过多源数据和序列Transformer模型，实现持续的生物多样性和气候风险预测，提升非洲生态保护策略的科学依据。

2025-12-01q-bio.QMstat.ML

计数数据的分层时空模拟预测模型

A Hierarchical Spatio-Temporal Analog Forecasting Model for Count Data

1.模拟预测已成功地为各种生态和物理过程提供了可靠的预测。模拟预测是一种无机制的非线性方法，通过检查被认为与当前状态相似的过去状态如何向前移动来预测系统。以前的模拟预测工作通常是在经验或启发式的背景下提出的，而不是正式的统计背景。2.本文提出的模型扩展了McDermott和Wikle（2016）基于模型的模拟方法，将模拟预测置于完全分层的统计框架中。特别是，贝叶斯分层时空泊松模拟预测模型制定。3.与具有潜在动态时空过程的泊松贝叶斯分层模型相比，分层模拟模型始终产生更准确的预测。通过使用贝叶斯方法，分层模拟模型能够严格量化与预测相关的不确定性。4.预测水禽定居模式在美国西北部和加拿大进行应用层次模拟模型的繁殖人口调查数据集。太平洋的海面温度（SST）被用来帮助识别水禽定居模式的潜在类似物。

2017-01-16stat.ME

在由周年和半年谐波驱动的原型季节温度循环中的空间和时间移动

On the spatial and temporal shift in the archetypal seasonal temperature cycle as driven by annual and semi-annual harmonics

需要用统计方法来评估和量化气候变化中陆地和海洋表面温度等环境过程的不确定性。通常，年度谐波用于表征季节性温度周期的变化。然而，气候季节周期的一个经常被忽视的特征是半年谐波，它可以解释季节周期方差的很大一部分，并且在空间上的振幅和相位各不相同。总之，一年和半年谐波的空间变化可以在驱动与季节性相关的过程中发挥重要作用（例如，生态和农业）。我们提出了一个多变量的时空模型来量化的空间和时间变化的最低和最高温度的季节性周期的函数的年度和半年谐波。我们的方法捕捉空间依赖性，时间动态，和多变量依赖这些谐波通过空间和时间变化的系数。我们将该模型应用于1979年至2018年北美的最低和最高温度。贝叶斯范式内的正式模型推理，使识别区域经历显着变化的最低和最高温度的季节性周期，由于在两个谐波的变化的相对影响。

2020-03-15stat.AP

基于时空最近邻高斯过程的物种分布模型

Species distribution modelling with spatio-temporal nearest neighbour Gaussian processes

1.）的人。在生态调查中，难以分析的时空数据集是常见的。有软件包可用于分析这些数据集，但其中许多需要高级编码技能。人们越来越需要易于使用的软件包，研究人员可以用它来分析常见的生态数据集2。我们开发了一个特定的广义线性混合模型的时空点参考数据，是足够灵活的，以适应大多数生态调查的数据，同时被结构化，以方便分析，而无需先进的编码。我们在staRVe包中的实现使用了最近邻高斯过程的计算效率版本，从而能够分析相对较大的数据集。3.）第三章一个简短的模拟研究表明，我们的模型产生准确的预测和预报，而卡罗莱纳州的鹪鹩调查的教程分析建议分析的建议工作流程。我们还分析了一个更复杂的黑线鳕科学调查，以展示我们的模型的能力。4.）我们的模型和软件包是可以很容易地添加到研究人员的工作流程中的工具，以帮助理解生态调查数据。我们强调我们的模型创建有用的可视化数据，然后可以导致识别物种分布的重要趋势的能力。

2021-10-05stat.APstat.ME

融合野生动物调查以改进保护推断

Melding Wildlife Surveys to Improve Conservation Inference

针对多源野生动物调查数据难以单独支撑保护管理的问题，本文提出一种贝叶斯马尔可夫融合集成模型，融合航空与地面调查的密度估计以改进小草原松鸡时空趋势推断和未采样区域预测，并通过模拟与敏感性分析验证其优势。

2023-04-12stat.ME

采用超统计方法与机器学习分析泰晤士河溶解氧的时空动态

Analyzing Spatio-Temporal Dynamics of Dissolved Oxygen for the River Thames using Superstatistical Methods and Machine Learning

Centre for Complex Systems, Queen Mary University of London（伦敦玛丽女王大学复杂系统中心）；University College London（伦敦大学学院）；Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院自动化与应用信息学研究所）；Chilterns National Landscape（奇尔特恩国家景观区）；School of Geography, Queen Mary University of London（伦敦玛丽女王大学地理学院）

本研究采用超统计方法与机器学习分析泰晤士河溶解氧动态，明确最优去趋势方法与预测模型，揭示地理及环境因子的影响，为河流水质预测与生态保护提供支撑。

2025-01-10cs.LGstat.ML

数据驱动的竞争促进树相互作用及其对基于自然的解决方案的影响

Data-driven competitive facilitative tree interactions and their implications on nature-based solutions

时空数据比以前更加普遍和丰富，这些数据的可用性给数据分析带来了巨大的挑战。生态促进是指个体密度对个体在压力梯度下生存的积极影响，是一个复杂的现象。大量的树木个体加上土壤水分，温度和水分胁迫的数据在很长的时间内进行了跟踪。在不存在假设的情况下进行数据驱动分析。信息理论分析的多个统计模型，以量化的最佳数据驱动指数的植被密度和空间尺度的相互作用。随后，树木的存活率被量化为一个函数的大小的个人，植被密度，和时间在最佳的空间相互作用尺度。地表温度和土壤湿度也可以通过树木大小、密度和时间进行统计解释。结果表明，在空间上，同一生态系统中同时存在着促进和竞争，其强度和强度取决于空间尺度。总体而言，在最佳的数据驱动的空间尺度，树的生存最好的解释密度和年之间的相互作用，筛选整体从促进竞争通过时间。然而，小尺寸的树木总是有利于增加密度，而大尺寸的树木有负或没有密度效应。树的大小是更重要的预测比密度的生存，这对基于自然的解决方案的影响：保持大的树木个体或种植物种，可以成为大尺寸可以防止树木少的地区，通过促进生存在长时间内通过恶劣的环境条件。高大的树木在调节地表温度方面也有显着的作用。

2018-10-09q-bio.PEq-bio.QMstat.AP

加纳五岁以下儿童疟疾住院人数的混合概率预测：高斯过程回归与Holt-Winters平滑

Hybrid Probabilistic Forecasting of Under-Five Malaria Admissions in Ghana: A Gaussian Process Regression with Holt-Winters Smoothing

GAEC, Ghana（加纳农业和粮食部）

针对加纳疟疾预测中季节性和数据不确定性挑战，提出结合高斯过程回归与Holt-Winters指数平滑的混合模型，实现概率性预测并评估其性能。

2026-05-30cs.AIcs.LGmath.PR

通过数据自适应随机过程从稀缺观测中学习连续网络涌现动力学

Learning Continuous Network Emerging Dynamics from Scarce Observations via Data-Adaptive Stochastic Processes

College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室）；Public Computer Education and Research Center, Jilin University（吉林大学公共计算机教学与研究中心）；Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）

本文提出NDP4ND，一种数据自适应随机过程方法，用于从稀疏、不规则、部分且含噪声的观测中学习连续网络动力学，显著降低数据需求并提升学习速度。

2023-10-25cs.LGstat.ME

空间索引的纵向分布结果回归用于环境监测

Spatially-Indexed Longitudinal Distributional Outcome Regression for Environmental Monitoring

University of South Carolina（南卡罗来纳大学）；Indian Statistical Institute（印度统计研究所）；Virginia Commonwealth University（弗吉尼亚联邦大学）

针对环境监测中区域分布结果的纵向建模难题，提出空间索引分布回归模型，结合Bernstein基和样条张量积捕捉时空效应，经模拟验证精度更优，并成功应用于美国TNO3浓度预测。

2026-09-15stat.APstat.ME