arXiv 1810.096822018-10-26stat.AP

使用非齐次隐马尔可夫模型的降水和温度的双变量模拟

Bivariate modelling of precipitation and temperature using a non-homogeneous hidden Markov model

Augustin Touron, Thi Thu Huong Hoang, Sylvie Parey

摘要：

为了生成真实的日平均气温和降水量二元过程的合成时间序列，我们引入了一个非齐次隐马尔可夫模型。非均匀性在于隐态之间的周期性转移概率和随时间变化的发射分布。这使得模型能够考虑天气变量的非平稳行为。通过仔细选择发射分布，也可以对两个变量之间的依赖结构进行建模。该模型被应用到几个气象站在欧洲的各种气候，我们表明，它是能够模拟现实的二元时间序列。

英文摘要：

Aiming to generate realistic synthetic times series of the bivariate process of daily mean temperature and precipitations, we introduce a non-homogeneous hidden Markov model. The non-homogeneity lies in periodic transition probabilities between the hidden states, and time-dependent emission distributions. This enables the model to account for the non-stationary behaviour of weather variables. By carefully choosing the emission distributions, it is also possible to model the dependance structure between the two variables. The model is applied to several weather stations in Europe with various climates, and we show that it is able to simulate realistic bivariate time series.

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

美国中南部地区的气温-降水联合模式：多变量功能推断与高斯混合建模

Joint Temperature-Precipitation Patterns in the U.S. South Central Region: Multivariate Functional Inference and Gaussian Mixture Modeling

Texas Tech University（德克萨斯理工大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）

本研究以美国中南部为对象，采用FMANOVA与高斯混合模型两种方法，揭示该区域冬夏两季气温-降水联合模式的显著差异，明确了冬夏气候 regime 的空间一致性及降水作用的差异。

2026-08-17stat.AP

阈值模型和加权自助法在匈牙利降水资料中的应用

Applications of threshold models and the weighted bootstrap for Hungarian precipitation data

本文介绍了应用的峰值超过阈值的方法为单变量和最近推出的双变量的情况下，结合一种新的自助方法。我们比较建议的自助方法，更传统的配置文件的可能性。我们已经调查了63年的欧洲气候评估日降水量数据的5个匈牙利网格点，首先分别为夏季和冬季月份，然后旨在检测可能的变化，通过调查20年移动窗口。我们发现，在单变量和双变量的情况下，都可以观察到显着的变化，最近的时期是最危险的，因为这里的回报水平是最高的。我们说明了这些影响的双变量覆盖区域。

2013-10-29math.STstat.APstat.TH

利用随机偏微分方程组进行温度和湿度的空间模拟

Spatial Modelling of Temperature and Humidity using Systems of Stochastic Partial Differential Equations

这项工作的动机是建立一个降水天气模拟器。温度和湿度是降水的两个最重要的驱动力，策略是建立温度和湿度的随机模型，并使用确定性模型从这些变量到降水。温度和湿度在经验上是正相关的。一般来说，如果变量是经验依赖的，那么应该考虑多变量模型。在这项工作中，我们模拟挪威南部的湿度和温度。我们希望基于此数据集构建二元高斯随机场（GRF）。我们的工作的目的是使用双变量GRF捕获湿度和温度之间的依赖结构以及它们的空间依赖性。该数据集的一个重要特征是，湿度和温度不一定在相同的位置观察到。单变量和双变量空间模型拟合和比较。对于建模和推理，单变量模型的SPDE方法和多变量模型的SPDE方法系统已被使用。为了评估单变量和双变量模型之间差异的性能，我们使用一些常用的评分规则比较预测性能：平均绝对误差，均方误差和连续排名概率得分。结果表明，我们可以捕捉到温度和湿度之间的强正相关性。此外，结果也符合物理或经验知识。最后，我们得出结论，使用双变量GRF模型这个数据集是优于独立的单变量GRF的方法，无论是在评估点预测和量化预测的不确定性。

2015-05-26stat.AP

用变分贝叶斯参数估计隐马尔可夫模型模拟切萨皮克湾流域的随机降水

Stochastic Precipitation Generation for the Chesapeake Bay Watershed using Hidden Markov Models with Variational Bayes Parameter Estimation

随机降水发生器（SPG）是一类统计模型，它产生的合成数据可以模拟长时间的干湿降雨。生成的降水量时间序列数据用于气候预测、极端天气事件的影响评估以及水资源和农业管理。我们构造了一个SPG的日降水量数据，指定为一个半连续分布在每个位置，点质量为零的无降水和两个指数分布的混合正降水。我们的发电机是作为隐马尔可夫模型（HHHRM）获得的，其中底层气候条件形成了状态。我们拟合了2000- 2019年7月至9月湿季美国东海岸切萨皮克湾流域的每日降水数据。数据是从全球定位系统-IMERG遥感数据集，现有的工作变的干扰扩展到半连续的排放分布。鉴于数据的高空间维度，随机最优化实现允许计算加速。最有可能的序列的基本状态估计使用维特比算法，我们确定的差异与所提出的模型的状态相关的天气制度。从HMM生成的合成数据可以再现每月降水统计数据以及历史GPM-IMERG数据中存在的空间依赖性。

2022-12-13stat.AP

用多元圆线性数据隐马尔可夫模型检验面向分布的风预报

Distributions-oriented wind forecast verification by a hidden Markov model for multivariate circular-linear data

来自西北象限的风和缺乏降水导致塔兰托市（意大利）居民区的PM10浓度增加。2012年，当地政府规定，每次提前72小时预报此类气象条件时，工业排放量将减少10%。风预测是解决使用天气研究和预报（WRF）大气模拟系统的区域环境保护局。在面向分布的预测验证的背景下，我们提出了一个全面的基于模型的推理方法来研究WRF系统预测当地风速和风向的能力，允许不同的性能未知的天气制度。地面观测和WRF预测的风速和风向在一个相关的位置被联合建模为一个4维时间序列与一个未知的有限数量的状态，其特征在于均匀分布的行为。所提出的模型依赖于联合投影和斜正态分布与时间相关的状态的混合物，其中状态成员的时间演化遵循一阶马尔可夫过程。参数估计，包括状态的数量，通过贝叶斯MCMC为基础的方法。结果提供了有用的见解WRF预测的性能有关的不同组合的风速和风向。

2017-04-17stat.AP

可计算尺度的降水阈值超差时空回归聚类研究

On Computationally-Scalable Spatio-Temporal Regression Clustering of Precipitation Threshold Excesses

针对系统性缺失协变量情况下基于回归的极值分析，提出了一种基于数据驱动的时空回归的阈值过度聚类方法。结果表明，在系统缺失的协变量的存在下，阈值过度的行为变得非平稳和非齐次。所提出的方法描述了这种复杂的行为由一组本地平稳广义帕累托分布（GPD）模型，其中的参数表示为回归模型，和一个潜在的时空切换过程。利用模型参数有界变化的时间序列分析非参数有限元方法（FEM-BV），解决了时空切换过程。所提出的FEM-BV-GPD方法超越了标准潜在类模型（如混合模型和隐马尔可夫模型）中的强先验假设。此外，它还提供了底层依赖结构的实用描述。该框架的性能表现在瑞士的历史降水量数据，并与相同的数据通过标准方法获得的结果进行比较。

2021-04-01stat.ME

更多相关论文收起更多论文

离散圆线性风场时间序列的隐马尔可夫模型

Hidden Markov model for discrete circular-linear wind data time series

在这项工作中，我们处理一个二元时间序列的风速和风向。我们观察到的数据具有特殊的特征，例如信息缺失值，特定条件下的不可靠措施和区间删失数据，我们在模型规范中考虑到这些特征。我们分析的时间序列与非参数贝叶斯隐马尔可夫模型，引入一个新的排放分布的基础上不变的包裹泊松，泊松和栅栏密度，适合我们的数据建模。该模型是在模拟数据集和激励这项工作的真实数据示例上估计的。

2017-04-17stat.ME

使用隐马尔可夫模型随机天气发生器分析降水模式的趋势

Analyzing trends in precipitation patterns using Hidden Markov model stochastic weather generators

我们开发了一个灵活的基于样条的贝叶斯隐马尔可夫模型随机天气发生器，统计模型日降水量随时间的推移，在个别地点的季节。该模型自然地考虑了缺失数据（被认为是随机缺失），避免了系统性缺失模式的潜在敏感性，或者在计算每日降水数据的指标时使用任意截止值来处理缺失。然后，拟合模型可用于推断降水行为的任意测量的趋势，通过缺失数据的多重插补，然后进行频率论分析，或通过贝叶斯后验预测分布的模拟。我们表明，该模型拟合数据很好，包括各种多日的特点，表示保真度的数据的自相关结构。使用三个站从美国西部，我们开发的案例研究中，我们评估降水的各个方面的趋势（如干旱期的长度和降水强度），发现只有有限的证据，在某些季节的趋势的基础上使用森的斜率作为一个非参数的措施的趋势。在未来的工作中，我们计划将该方法应用于选定区域的整套GHCN台站，以系统地评估趋势的证据。

2022-07-18stat.APstat.ME

时间序列的深度强化学习：玩理想化的交易游戏

Deep reinforcement learning for time series: playing idealized trading games

Georgia Institute of Technology（佐治亚理工学院）

深度Q学习是一种端到端的解决方案，用于估计对时间序列输入采取行动的最佳策略。实验是在两个理想化的交易游戏上进行的。1)单变量：唯一的输入是波浪状价格时间序列，以及2）双变量：输入包括随机逐步价格时间序列和噪声信号时间序列，噪声信号时间序列与未来价格变化正相关。单变量博弈测试智能体是否能够捕获潜在的动态，而双变量博弈测试智能体是否能够利用输入之间的隐藏关系。堆叠门控递归单元（GRU）、长短期记忆（LSTM）单元、卷积神经网络（CNN）和多层感知器（MLP）用于对Q值进行建模。对于这两个游戏，所有的代理人都成功地找到了一个有利可图的策略。基于GRU的代理在单变量博弈中表现出最好的整体性能，而基于MLP的代理在双变量博弈中表现出更好的整体性能。

2018-03-11cs.LGstat.ML

离散向量时间序列的条件Chow-Liu树结构建模

Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series

University of California, Irvine（加州大学尔湾分校）

我们考虑离散值向量时间序列数据的建模问题，使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展，引入了条件Chow-Liu树模型，用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法，并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性，我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。

2012-07-11cs.LGstat.ML

最大稳定过程与实况预报耦合的强降水空间模拟

Spatial Modeling of Heavy Precipitation by Coupling Weather Station Recordings and Ensemble Forecasts with Max-Stable Processes

由于物理现象的复杂性，暴雨事件的空间分布很难模拟。基于物理的数值模式通常可以提供物理上连贯的空间模式，但可能会错过一些重要的降水特征，如暴雨强度。然而，地面气象站的测量提供了足够的降雨强度，但大多数国家的天气记录网络往往在空间上过于稀疏，无法充分捕捉降雨模式。为了充分利用这两种信息来源，气候学家和水文学家一直在寻找能够有效合并不同类型降雨数据的模型。一个固有的困难是捕捉适当的多变量之间的降雨最大值的依赖结构。为此，多元极值理论建议使用最大稳定过程。这样的过程可以表示为一个隐藏的随机过程的独立副本的最大线性组合加权的泊松点过程。在实践中，这个隐藏过程的选择是不平凡的，特别是如果各向异性，非平稳性和块金效应存在于手头的空间数据。通过耦合预报集合数据从法国国家气象局（Météo-France）与当地的观测，我们构建和比较不同类型的数据驱动的最大稳定的过程，是简约的参数，易于模拟和能够再现块金效应和空间非平稳性。我们还比较了我们的新方法与经典的空间极值理论，如布朗-雷斯尼克过程的方法。

2020-03-12stat.AP

东南亚热带地区天气雷达反射率时空模拟方法及其应用

A Spatio-Temporal Modeling Approach for Weather Radar Reflectivity Data and Its Applications in Tropical Southeast Asia

天气雷达回波是短期降水预报最重要的输入资料，在时间和空间上具有相关性。本文以实际数据为基础，研究了基于雷达图像序列的二维雷达反射率场的时空建模问题。在拉格朗日积分方案下，我们通过由两个隐藏子过程驱动的时空条件自回归过程来建模雷达反射率数据。第一个子过程是决定天气系统运动的动态速度场，而第二个子过程控制雷达反射率强度的增长或衰减。利用东南亚热带地区的实测雷达数据对该方法进行了验证，并与现有方法进行了比较。注意，由于热带风暴是已知的高度混乱和极难预测，我们只专注于在短时间内的反射率数据的建模和考虑的短期预测问题的基础上提出的模型。这通常被称为临近预报问题在气象社会。

2016-09-30stat.APstat.ME

用季节性隐马尔可夫模型对天气系统建模

Modeling rainfalls using a seasonal hidden markov model

为了达到供需平衡，电力供应商需要预测不同时间尺度上的电力需求和生产。这意味着需要对温度、风速、太阳辐射和降水等天气变量进行建模。这项工作是专门为一个新的日降雨发生器在一个单一的网站。它是基于一个季节性隐马尔可夫模型的混合物的指数分布的排放法律。指数分布的参数包括一个周期性的组成部分，以说明降雨的季节性行为。我们证明了在较弱的假设下，极大似然估计是强相合的，这是这类模型的一个新结果。该模型能够产生任意长的每日降雨量模拟，再现密切观察到的时间序列的不同特征，包括季节性，降雨发生，降雨量的每日分布，干旱和多雨。该模型拟合和验证数据来自德国各地的几个气象站。我们表明，它是可能的，以给出一个物理解释的估计状态。

2017-10-23stat.AP

马尔可夫切换模型中的张量积交互作用

Tensor-product interactions in Markov-switching models

针对马尔可夫切换模型中现有非参数方法难以捕捉协变量交互效应的问题，提出纳入张量积交互作用的方法，开发自动平滑度选择程序，通过案例验证并提供R包，提升复杂过程推断能力。

2025-08-25stat.ME

基于圆-线性一般投影正态分布的贝叶斯隐马尔可夫模型

Bayesian Hidden Markov Modelling Using Circular-Linear General Projected Normal Distribution

我们引入了一个多变量隐马尔可夫模型来联合聚类具有不同支持度的时间序列观测，即循环和线性。依赖于一般的预计正态分布，我们的方法允许双峰和/或倾斜的集群特定分布的圆形变量。此外，我们放宽了同时观测到的圆形分量和线性分量之间的独立性假设。这样的假设通常用于减轻参数估计步骤中涉及的计算负担，但在经验应用中很难证明。我们进行了模拟研究，使用不同的数据生成方案来调查模型的行为，重点是恢复隐藏的结构。最后，利用该模型对一个风速风向双变量时间序列进行了拟合。

2015-01-24stat.APstat.CO

季节隐马尔可夫模型中极大似然估计的相合性

Consistency of the maximum likelihood estimator in seasonal hidden Markov models

在本文中，我们介绍了隐马尔可夫模型的一个变种，其中的状态之间的转移概率，以及排放分布，不是恒定的时间，但在一个周期性的方式变化。这类模型，我们称之为季节性隐马尔可夫模型（SHMM），在实践中特别有用，因为许多应用都涉及季节性行为。然而，到目前为止，还没有关于这种模型的理论结果。我们表明，在温和的假设下，SHMM是可识别的：我们可以识别的过渡矩阵和发射分布的联合分布的观察期间，状态标签。我们还给出了极大似然估计强相合的充分条件。将这些结果应用于模拟数据，使用期望最大化算法来计算MLE。最后，我们展示了如何SHMM可以用于在现实世界中的应用，通过将我们的模型应用到降水数据，与混合物的指数分布的排放分布。

2018-02-20stat.APstat.ME

基于Dirichlet过程混合隐马尔可夫模型的蛋白质结构预测

A Dirichlet process mixture of hidden Markov models for protein structure prediction

通过对蛋白质扭转角分布的新认识，最近的统计模型为这些数据指明了更有效的蛋白质结构预测方法。目前大多数方法都集中在一个单一的序列位置的双变量模型。然而，在蛋白质中的多个序列位置同时建模角度对具有相当大的价值。这种模型的一个应用领域是高度可变的环和转弯区域的结构预测。由于可用于估计这些扭转角分布的已知蛋白质结构的数量通常很小，因此这种建模是困难的。此外，数据是“稀疏的”，因为并非所有蛋白质在每个序列位置都具有角度对。我们提出了一个新的半参数模型的联合分布的角度对在多个序列位置。我们的模型通过利用蛋白质二级结构行为的已知信息来适应稀疏数据。我们证明了我们的技术，通过预测的扭转角在一个循环中的珠蛋白折叠家庭。我们的研究结果表明，基于模板的方法现在可以成功地扩展到建模出了名的困难的循环和转弯区域。

2010-11-09stat.AP

用隐相型马尔可夫模型对水库随机入流模式进行建模

Modelling Stochastic Inflow Patterns to a Reservoir with a Hidden Phase-Type Markov Model

本文提出一种基于隐相型马尔可夫模型的方法，用于建模降水模式并扩展至水库入流预测，以改善水资源管理。

2025-08-04stat.APstat.ME