Efficient Spatio-Temporal Gaussian Regression via Kalman Filtering
University of Padova(帕多瓦大学);ETH Zürich(苏黎世联邦理工学院)
在这项工作中,我们研究了非参数重建时空动态高斯过程(GP)通过GP回归稀疏和噪声数据。GP主要应用于空间回归,它们代表了最强大的估计方法之一,这也要归功于它们的通用表示属性。他们的扩展到动态过程,而不是难以捉摸的,因为经典的实现导致不可扩展的算法。然后,我们提出了一个新的程序来解决这个问题,耦合GP回归和卡尔曼滤波。特别是,假设空间/时间可分性的协方差(内核)的过程和合理的时间谱,我们建立了一个有限维离散时间状态空间过程表示服从卡尔曼滤波。在固定空间位置的有限集合上进行采样,我们的主要发现是,在时刻$t_k$的卡尔曼滤波器状态表示足够的统计量来计算在整个空间域上的任何$t \geq t_k$处的过程的最小方差估计。这一结果可以解释为一个新的动态GPS的卡尔曼表示定理。然后,我们将研究扩展到空间输入位置集可以随时间变化的情况。所提出的算法最后测试合成和真实的现场数据,也提供了与标准GP和截断GP回归技术的比较。
2017-05-03 cs.AI cs.LG stat.ML
Inference of Spatio-Temporal Functions over Graphs via Multi-Kernel Kriged Kalman Filtering
Univ. of Minnesota(明尼苏达大学);Univ. of Agder(阿格德大学)
图上的时空变化信号的推断在大量的网络科学相关应用中自然出现。一个经常遇到的挑战涉及重建这样的动态过程,给定它们的值在一个子集的顶点和时刻。本论文开发了一个图形感知的基于核的克里金卡尔曼滤波器,占时空变化,并提供有效的在线重建,即使是动态演变的网络拓扑结构。基于内核的学习框架通过利用图形信号相对于底层图形所表现出的平滑性来绕过对统计信息的需求。为了解决选择合适的内核的挑战,建议的过滤器与多内核选择模块相结合。这种数据驱动的方法在预先选择的字典的线性跨度内选择与信号动态动态一致的内核。新的多核学习算法利用拉普拉斯核矩阵的特征结构来降低计算复杂性。合成和真实数据的数值试验表明,相对于国家的最先进的替代品的新方法的优越的重建性能。
2017-11-25 cs.LG eess.SP stat.ML
Spatio-temporal Hawkes point processes: statistical inference and simulation strategies
Department of Mathematics, University Jaume I(卡斯特利翁豪梅一世大学数学系)
针对时空Hawkes点过程缺乏统一形式化表述的问题,本文实现2种模拟技术与3种自洽推断技术,评估方法性能并提供可复现代码。
2025-11-18 stat.CO
Multi-resolution filters via linear projection for large spatio-temporal datasets
本文提出MRF-lp方法,通过线性投影多分辨率近似预测协方差矩阵并保持块稀疏结构,大幅提升大规模时空数据在线卡尔曼滤波推断的计算效率,并在模拟和实际数据中验证了其优越性。
2025-04-11 stat.CO stat.ME
On spatial and spatio-temporal multi-structure point process models
空间和时空单结构点过程模型广泛应用于流行病学、生物学、生态学、地震学、生物学、生态学、生物学等领域。.然而,大多数自然现象呈现出多重相互作用结构或在空间和/或时间上表现出多尺度的依赖性,导致定义新的空间和时空多结构点过程模型。本文主要对基于Gibbs过程和Cox过程的多结构点过程模型进行了研究和评述。
2020-07-04 stat.ME
Constructing Large Nonstationary Spatio-Temporal Covariance Models via Compositional Warpings
理解和预测环境现象往往需要构建时空统计模型,这是典型的高斯过程。对高斯过程的一个常见假设是协方差平稳性,这在许多地球物理应用中是不现实的。在这篇文章中,我们介绍了一种受深度学习启发的方法,通过在扭曲的时空域上建模平稳过程来构建描述性的非平稳时空模型。我们使用的扭曲函数是使用几个简单的内射扭曲单元构造的,当通过组合进行组合时,可以引起复杂的扭曲。变形域上的平稳时空协方差函数导致原始域上的协方差非平稳性。稀疏线性代数方法用于在大数据设置中拟合模型时降低计算复杂度。我们表明,我们提出的非平稳时空模型可以捕捉协方差非平稳性在空间和时间,并提供更好的概率预测比传统的平稳模型在模拟研究和现实世界的数据集。
2023-03-16 stat.AP stat.CO stat.ME
Spatio-temporal modeling and forecasting with Fourier neural operators
School of Mathematics and Applied Statistics, University of Wollongong(伍伦贡大学数学与应用统计学院)
本文提出利用傅里叶神经算子构建统计动态时空模型,以高效预测复杂时空依赖关系并提供不确定性量化。
2026-01-05 stat.ME stat.ML
Automatic Filters for the Detection of Coherent Structure in Spatiotemporal Systems
目前大多数用于识别空间扩展系统中的相干结构的方法依赖于关于这些结构所采取的形式的先验信息。在这里,我们提出了两种新的方法来自动过滤空间动力系统的变化的配置和提取相干结构。一种是局部灵敏度滤波,它是局部李雅普诺夫指数方法的一种改进,适用于元胞自动机和其他离散空间系统。另一种是局部统计复杂度滤波,它计算在给定点附近对系统行为进行最佳预测所需的信息量。通过检查这些量的时空分布变化,我们可以在各种模式形成元胞自动机中找到相干结构,而不需要猜测或假设该结构的形式。我们应用这两个过滤器的基本和循环元胞自动机(ECA和CCA),发现他们很容易识别粒子,域和其他更复杂的结构。我们比较结果从ECA与早期的形式语言的理论基础上,从CCA与一个更传统的方法的基础上的序参量和自由能的结果。虽然敏感性和统计复杂性同样擅长发现结构,但它们基于不同的系统属性(分别是动力学和概率),并提供互补信息。
2005-07-29 math.ST nlin.CG physics.data-an
Sequential Empirical Bayes method for filtering dynamic spatiotemporal processes
我们考虑在线预测的潜在动态时空过程和相关的模型参数估计的基础上嘈杂的数据。该问题的动机是分析的空间数据到达实时和当前的参数估计和预测更新使用新的数据在一个固定的计算成本。估计和预测是在经验贝叶斯框架内进行的马尔可夫链蒙特卡罗样本的帮助下。潜在空间场的样本使用具有偏态正态建议的采样重要性恢复算法生成,并且使用吉布斯抽样的时间参数,其完整条件以在线更新的足够数量编写。空间范围参数通过经验贝叶斯方法的新的在线实现来估计,在此称为顺序经验贝叶斯方法。仿真研究表明,我们的方法给出了类似的结果作为离线贝叶斯方法。我们还发现,偏态的建议,提高了传统的高斯建议。我们的方法的应用表明,福岛核事故后的辐射在线监测。
2017-06-27 stat.CO
Spatio-Temporal Data Fusion for Massive Sea Surface Temperature Data from MODIS and AMSR-E Instruments
遥感数据已被广泛用于研究各种地球物理过程。随着遥感技术的发展,人们在空间上采集了大量的遥感数据。不同的卫星仪器通常具有不同的覆盖区、测量误差特性和数据覆盖范围。为了结合来自不同卫星仪器的数据集,我们提出了一种动态融合高斯过程(DFGP)模型,该模型能够在数据融合背景下快速进行统计推断,例如过滤和平滑海量时空数据集。基于时空随机效应模型,DFGP方法用两个分量表示潜在的真实过程:少量基函数和随机系数与一般协方差阵的线性组合,以及大量基函数和马尔可夫随机系数的线性组合。为了在不同的空间分辨率下模拟底层的地球物理过程,我们依赖于支持的变化属性,这也允许在DFGP模型中进行有效的计算。为了估计模型参数,我们设计了一个计算效率高的随机期望最大化(SEM)算法,以确保其可扩展性的大规模数据集。DFGP模式被应用到一个星期的时间内,在热带太平洋的MODIS和AMSR-E仪器在2010年共370万海表温度数据集。
2019-06-07 stat.AP stat.CO stat.ME
Energy Prediction using Spatiotemporal Pattern Networks
本文提出了一种新的数据驱动技术的时空模式网络(STPN)的基础上的复杂动力系统的能量/功率预测。STPN框架建立在符号动态滤波的基础上,不仅用于捕获单个系统的特性,而且用于捕获不同子系统之间的成对因果依赖关系。为了量化因果依赖关系,提出了一种基于互信息的度量方法。随后提出了一种基于STPN框架的能量预测方法。为了验证所提出的计划,两个案例研究,一个涉及风力涡轮机功率预测(供应侧能源)使用由国家可再生能源实验室(NREL)生成的西风集成数据集来识别时空特征,以及另一个,住宅电能分解(需求侧能源)使用美国建筑2010年数据集从NREL探索时间特征。在能量分解的背景下,凸规划技术超越STPN框架的开发和应用,以实现更好的分解性能。
2017-02-03 stat.ML
Bayesian Belief Updating of Spatiotemporal Seizure Dynamics
癫痫发作活动在空间和时间上表现出复杂的动力学。为了了解癫痫发作的演变和传播,需要分析空间上广泛的数据集。我们之前已经描述了一种使用变分拉普拉斯的有效滤波方案,该方案可用于动态因果建模(DCM)框架[Friston,2003],以估计使用侵入性或非侵入性电记录(EEG/ECoG)记录的癫痫发作的时间动态。使用偏微分方程对时空动态进行建模-与我们先前关于癫痫发作动态时间估计的工作中使用的常微分方程相反[Cooray,2016]。我们提供了必要的理论背景的方法,并测试随后的计划在模拟癫痫发作活动数据和经验侵入性ECoG数据。该方法提供了一个框架来同化癫痫发作活动的空间和时间动态,这是具有重要生理和临床意义的一个方面。
2017-11-12 cs.NE stat.ME stat.ML
A spatio-temporal multi-scale model for Geyer saturation point process: application to forest fire occurrences
由于大多数自然现象在多尺度上表现出依赖性,如地震或森林火灾发生的位置,时空单尺度点过程模型在许多应用中是不现实的。这促使我们构建经典吉布斯模型的推广。本文将Geyer饱和点过程模型推广到时空多尺度框架。仿真过程通过出生-死亡梅特罗波利斯-黑斯廷斯算法进行。在模拟研究中,我们比较了两种常见的方法,统计推断在吉布斯模型:伪似然和逻辑似然的方法,我们定制这个模型。最后,我们说明了这个新的模型在法国南部的森林火灾发生建模。
2020-12-17 stat.AP stat.ME
Sparse Approximate Inference for Spatio-Temporal Point Process Models
时空点过程模型在空间分布系统的分析中起着重要的作用。然而,由于通常需要的高分辨率建模和分析上难以处理的似然函数,可扩展推理在计算上仍然具有挑战性。在这里,我们利用稀疏结构典型的(空间)离散对数高斯Cox过程模型,通过使用近似的消息传递算法。所提出的算法的规模以及状态维度和时间范围的长度与适度损失的分布精度。因此,他们提供了一个灵活的和更快的替代非线性滤波平滑型算法和方法,实现拉普拉斯方法或期望传播(块)稀疏潜在高斯模型。我们使用结构化变分贝叶斯方法推断潜在高斯模型的参数。我们展示了高斯和点过程观察模拟研究的建议框架,并使用它来重建阿富汗的冲突强度和动态维基解密阿富汗战争日记。
2015-07-06 stat.ML
Computation-Aware Kalman Filtering and Smoothing
Tübingen AI Center, University of Tübingen(蒂宾根人工智能中心,蒂宾根大学);Columbia University(哥伦比亚大学);University of Southampton(南安普顿大学)
针对高维高斯-马尔可夫模型中卡尔曼滤波与平滑的扩展性瓶颈,提出一种计算感知的无矩阵迭代概率数值方法,利用GPU加速实现计算成本与预测不确定性之间的可调权衡,并在大规模气候数据集上验证了其可扩展性。
2025-03-12 cs.LG cs.NA math.NA
PDE-Driven Spatiotemporal Disentanglement
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Criteo AI Lab(Criteo人工智能实验室)
机器学习社区最近的一系列工作通过利用微分方程理论的特定工具来解决预测高维时空现象的问题。按照这个方向,我们在这篇文章中提出了一个新的和一般的范例,这项任务的基础上解决方法偏微分方程:分离变量。这种灵感使我们能够引入时空解纠缠的动力学解释。它归纳了一个原则性的模型,该模型基于对一种现象的空间和时间表示的学习,以准确地预测未来的观察。我们通过实验证明了我们的方法对物理和合成视频数据集上的现有最先进模型的性能和广泛适用性。
2021-03-23 cs.LG cs.NE stat.ML
Discovering Latent Causal Graphs from Spatiotemporal Data
Department of Computer Science and Engineering, University of California, San Diego, La Jolla, USA(计算机科学与工程系,加州大学圣地亚哥分校,拉乔拉,美国);Halıcıoglu Data Science Institute, University of California, San Diego, La Jolla, USA(Halıcıoglu数据科学研究所,加州大学圣地亚哥分校,拉乔拉,美国);Scripps Institution of Oceanography, University of California, San Diego, La Jolla, USA(斯克里普斯海洋研究所,加州大学圣地亚哥分校,拉乔拉,美国)
针对时空网格数据高维、空间邻近点相关导致因果推断难的问题,提出基于变分推断的SPACY框架,在潜在空间发现因果结构,理论上证明可识别性,实验上优于基线且能识别真实气候数据中的关键现象。
2025-06-15 cs.LG stat.ML
Spatio-temporal Inversion using the Selection Kalman Model
在代表时空现象的模型中进行数据同化是一个挑战,特别是当变量的空间直方图出现多种模式时。传统的卡尔曼模型是基于高斯初始分布和高斯线性动态和观测模型。该模型包含在高斯分布类中,因此在分析上是易于处理的。然而,它不适合代表多模态。我们定义的选择卡尔曼模型是基于选择高斯初始分布和高斯线性动态和观测模型。选择高斯分布可以被看作是高斯分布的推广,并且可以表示多峰性、偏斜性和峰值性。这种选择卡尔曼模型包含在选择高斯分布的类中,因此它在分析上是易于处理的。一个有效的递归算法,用于评估选择卡尔曼模型指定。时空反演的初始状态,污染监测的启发,包含一个极端事件的综合案例研究表明,选择卡尔曼模型的使用提供了显着的改进相比,传统的卡尔曼模型重建不连续的初始状态。
2020-06-25 stat.ME
STSC-SNN: Spatio-Temporal Synaptic Connection with Temporal Convolution and Attention for Spiking Neural Networks
针对脉冲神经网络突触结构难以建模时间依赖的问题,本文提出融合时间卷积与注意力的STSC-SNN,在多个神经形态数据集上取得近全面领先的分类准确率。
2022-10-11 cs.NE q-bio.NC stat.ML
Spatio-temporal stick-breaking process
Dirichlet过程及其推广在贝叶斯非参数统计中得到了广泛的应用。它们也被引入空间和时空数据,作为分析和预测表面的工具。一个流行的方法来狄利克雷过程在空间设置依赖于一个棒打破表示的过程,其中的依赖性在空间中描述的棒打破概率的定义。包括时间依赖性的扩展仍然有限,但它是重要的,特别是对于那些可能随时间和空间迅速变化的现象,具有许多局部变化。在这项工作中,我们提出了一个狄利克雷过程中,棒断裂概率的定义,将空间和时间的依赖性。我们将表明,这种方法不是一个单扩张的可用方法,可以超越现有的方法在预测精度方面。该方法的一个优点是,它提供了一种自然的方式来测试的分离性的两个组件的定义中的棒断裂概率。
2023-03-30 math.ST stat.TH
Spatio-Temporal Analysis of Epidemic Phenomena Using the R Package surveillance
由于有地理编码的卫生数据和传染病固有的时间结构,人们对具有流行病特征的时空数据的统计模型和软件越来越感兴趣。开源的R包监测可以处理各种级别的聚集,在这些聚集中记录了感染事件:连续空间或离散空间中的个人级别的时间戳地理参考数据(病例报告),以及按时期和地区聚集的计数。对于这些数据类型中的每一种,监测包都采用了可视化、可能性推断和模拟工具,这些工具来自最近开发的统计回归框架,捕捉地方病和流行病的动态。总之,本文是一个指导流行病现象的时空建模,举例分析麻疹和侵袭性脑膜炎球菌病的公共卫生监测数据。
2015-11-07 cs.CE physics.data-an stat.AP
High-dimensional Filtering using Nested Sequential Monte Carlo
序贯蒙特卡罗(SMC)方法是贝叶斯滤波最成功的近似方法之一。然而,SMC没有好的建议分布挣扎在高维。我们提出了嵌套的序贯蒙特卡罗(NSMC),一种方法,概括SMC框架,只需要近似,适当加权,样本从SMC的建议分布,同时仍然导致一个正确的SMC算法。通过这种方式,我们可以精确地近似局部最优建议,并扩展我们可以使用SMC进行有效推理的模型类。我们表现出更高的精度比其他国家的最先进的方法在几个时空状态空间模型。
2016-12-29 stat.CO stat.ML