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。
2025-09-11 stat.AP stat.ME
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。
2020-02-17 q-bio.PE q-bio.QM stat.AP
Benefits of spatio-temporal modelling for short term wind power forecasting at both individual and aggregated levels
近年来，风能在世界总装机容量中的份额迅速增长。准确可靠地预测风力发电量，并量化不确定性，对于将风能最佳地整合到电力系统中至关重要。我们建立了风力发电的时空模型，并提前15分钟到5小时获得完整的概率预测。详细分析了单个风电场和聚合风电场的预测性能。我们发现，它是可能的，以提高预测的结果，通过利用单个风电场之间的时空相关性聚集的风力发电。此外，时空模型的优势是能够产生空间样本外的预测。我们评估预测的数据集，从丹麦西部的风电场和比较的时空模型与自回归模型包含一个共同的自回归参数的所有风电场，确定特定的情况下，重要的是有一个时空模型，而不是一个时间。该案例研究表明，可以在有数据的风电场获得快速准确的风力发电预测，但也可以在包括新地点风电场在内的更大投资组合中获得预测。的结果和方法是相关的风力发电预测在全球范围内，以及一般的时空建模。
2017-04-25 stat.AP
Spatio-temporal Granger causality: a new framework
功能磁共振成像信号中存在各种频率的生理振荡是规律，而不是例外。在这里，我们提出了一种新的理论框架，时空格兰杰因果关系，这使我们能够更可靠，更精确地估计格兰杰因果关系的实验数据集具有随时间变化的属性所造成的生理振荡。在此框架下，格兰杰因果关系被重新定义为一个全球性的指标，衡量两个时间序列之间的有向信息流的时变属性。理论分析和数值算例表明，格兰杰因果关系是一个单调递增的函数的时间分辨率的估计。这与粗粒化的一般原理是一致的，粗粒化通过在时间和空间上平滑非常细的尺度细节而导致信息损失。我们的研究结果证实，格兰杰因果关系在更精细的时空尺度上大大优于传统的方法，提高了同一主题的两个静息状态扫描之间的一致性。为了最佳地估计格兰杰因果关系，所提出的理论框架是通过几种方法的组合来实现的，例如划分最佳时间窗口和在精细的时间和空间尺度上估计参数。总之，我们的方法提供了一个新的和强大的框架，估计格兰杰因果关系的功能磁共振成像，脑电图和其他相关数据。
2013-04-17 stat.AP
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。
2025-10-13 stat.AP stat.ME
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。
2021-07-13 stat.AP stat.ME
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。
2021-04-07 stat.AP stat.ME
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。
2024-03-15 stat.AP stat.ME
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。
2018-10-10 q-bio.PE stat.ME
Spatiotemporal dynamic of COVID-19 mortality in the city of Sao Paulo, Brazil: shifting the high risk from the best to the worst socio-economic conditions
目前，巴西是世界上COVID-19疫情增长最快的国家之一，迄今已造成至少9.4万人确诊死亡。圣保罗市特别脆弱，因为它是该国人口最多的城市。分析COVID-19的时空动态对于帮助迫切需要整合更好的行动来应对这一流行病非常重要。因此，本研究旨在分析2020年3月至7月期间巴西人口最多城市的COVID-19死亡率，同时考虑到时空结构、人口的社会经济背景，并使用精细粒度水平。为此，我们进行了一项生态研究，使用来自死亡率信息系统的二级公共数据。我们按性别和年龄描述了每个流行病学周和整个时期的死亡率。我们使用时空和空间架构以及潜在高斯贝叶斯模型方法中的泊松概率分布对死亡进行建模。我们得到了时间和时空趋势和社会经济条件的相对风险。为了减少可能的次级通报，我们考虑了确诊和疑似死亡病例。我们的研究结果显示，在这一时期结束时，时间趋势明显稳定，但未来可能会发生变化。死亡率随着年龄的增长而增加，男性死亡率更高。在整个研究期间，社会条件最差的地区的死亡风险更大。然而，随着时间的推移，这并不是一个统一的模式，因为我们发现，从社会经济条件最好的地区的高风险转移到最差的地区。我们的研究强调了在死亡风险较高的地区进行地理筛查的重要性，目前，社会经济环境更差，这是通过综合公共卫生行动减少疾病死亡率和卫生不平等的一个关键方面。
2020-08-05 q-bio.PE stat.AP
A Spatiotemporal Dynamic Solution to the MEG Inverse Problem: An Empirical Bayes Approach
MEG/EEG是以高时间分辨率记录大脑活动的非侵入性成像技术。然而，从表面记录估计脑源电流需要解决一个不适定的逆问题。从神经元网络模型到静息态成像和神经生理学，神经科学中的证据表明皮层激活是一个分布式时空动态过程，由局部和长距离神经解剖连接支持。由于这种时空动力学是大脑生理学的核心，因此可以通过合并这些动力学模型来改进逆解。在这篇文章中，我们提出了一个模型的皮质活动的基础上最近邻自回归，采用局部时空之间的相互作用的方式与神经生理学和神经解剖学的分布式源。本文提出了一种基于卡尔曼滤波、固定间隔平滑和期望最大化算法的动态最大后验期望最大化（dMAP-EM）源定位算法。我们将dMAP-期望最大化算法应用于模拟实验以及人体实验数据。此外，我们推导出表达式，我们的动态估计公式的标准静态模型，并显示动态方法如何最佳地吸收过去和未来的数据。我们的研究结果建立了时空动态估计的可行性，在大规模的分布式源空间与数千个源位置和数百个传感器，由此产生的逆解决方案，提供了实质性的性能改进静态方法。
2016-06-19 q-bio.NC q-bio.QM stat.AP
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。
2025-08-07 stat.ME
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。
2021-10-05 stat.AP stat.ME
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。
2019-02-22 cs.LG stat.ML
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。
2025-12-01 q-bio.QM stat.ML
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。
2017-01-16 stat.ME
Clustering with Temporal Constraints on Spatio-Temporal Data of Human Mobility
University of Konstanz（康斯坦茨大学）
利用人的时空数据提取重要地点或感兴趣的地方（POI）是人类移动性分析的基础。经典的聚类方法已被用于在先前的工作中检测POI，但没有考虑时间约束。通常，聚类所涉及的参数难以确定，例如，层次聚类中的最优聚类数。目前，研究人员要么选择启发式值或使用基于空间距离的优化来确定合适的参数集。我们认为，现有的研究并没有最佳地解决时间信息，从而留下了很大的改进空间。考虑到人类移动的时间约束，我们引入了一种有效的聚类方法-即POI聚类与时间约束（PC-TC）-提取POI的时空数据的人类移动。根据现代社会中人类的流动性，我们的方法旨在提取全球POI（例如，工作场所或大学）和本地POI（例如，图书馆、实验室和食堂）。基于包括193个个体的两个公开可用的数据集，我们的评估结果表明，PC-TC在粒度方面具有很大的预测潜力（即，提取的POI的数量）和可预测性。
2018-07-02 cs.LG stat.ML
Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems
Sir Lawrence Wackett Defence and Aerospace Centre, RMIT University（皇家墨尔本理工大学劳伦斯·瓦克特爵士国防与航天中心）；Defence Science and Technology Group（国防科学与技术集团）
本文提出简约动态模式分解（parsDMD）算法，结合时延嵌入与正交匹配追踪（OMP），解决传统spDMD需手动调参的问题，实现最优稀疏模式自动选择，在多数据集验证中噪声鲁棒性更强、识别重构更准确，适用于多学科复杂系统分析。
2024-11-29 cs.LG eess.SP math.DS
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。
2020-08-05 stat.AP stat.ME
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。
2020-03-15 stat.AP
Spatially Controlled Relay Beamforming: $2$-Stage Optimal Policies
在动态信道环境下，研究了在功率受限的移动中继波束赋形网络中，通过优化动态控制中继节点的运动来提高服务质量（QoS）的问题。我们假设一个时隙系统，其中中继更新他们的位置之前，每个时隙的开始。建模的无线信道作为一个高斯时空随机场，我们提出了一种新的$2$阶段的随机规划问题制定最佳指定的位置，在每个时隙的中继，使网络的预期QoS最大化，因果信道状态信息（CSI）的基础上，并根据总中继发射功率预算。这导致了一种模式，其中在每个时隙，中继除了最佳地波束成形到目的地之外，还基于因果积累的经验最佳地预测性地决定它们在下一时隙的位置。利用统计微分方法，或多维高斯-厄米求积规则，随机程序考虑被证明是近似等价于一组简单的子问题，这是解决在一个分布式的方式，一个在每个继电器。建议的空间控制系统的最优性和性能也有效地评估，在一个严格的技术框架下，严格的最优性是严格证明通过发展的一个版本的随机控制的基本引理，性能方面，它表明，非常有趣的是，最佳的平均网络QoS表现出增加的趋势，跨时隙，尽管我们的近视问题制定。数值模拟，实验证实所提出的方法的成功和我们的理论预测的有效性。
2017-05-21 cs.IT math.IT math.OC
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。
2023-04-12 stat.ME
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。
2025-01-10 cs.LG stat.ML
Inferring the parameters of Taylor's law in ecology
本文研究生态学中Taylor幂律参数的推断问题，提出在大样本渐近条件下使用对数方差对对数均值的线性回归进行参数估计，并针对非平稳时空框架中的渐近偏差提供偏差校正以获得正确的置信区间。
2024-08-27 math.ST stat.ME stat.TH
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。
2026-09-15 stat.AP stat.ME
