Intensity-Free Learning of Temporal Point Processes
Technical University of Munich(慕尼黑工业大学)
时间点过程是建模以不规则间隔发生的事件序列的主要范式。在这种模型中学习的标准方法是通过估计条件强度函数。然而,将强度函数参数化通常会引起几个权衡。我们展示了如何克服基于强度的方法的局限性,直接建模的事件间时间的条件分布。我们利用规范化流程的文献来设计灵活高效的模型。我们还提出了一个简单的混合模型,它与基于流的模型的灵活性相匹配,但也允许以封闭形式进行采样和计算。所提出的模型在标准预测任务中实现了最先进的性能,并且适用于新的应用,例如学习序列嵌入和输入缺失数据。
2020-01-23 cs.LG stat.ML
Spatial-Temporal-Textual Point Processes for Crime Linkage Detection
Georgia Institute of Technology(佐治亚理工学院)
犯罪产生于人类行为和情况的复杂相互作用。犯罪事件之间的联系非常复杂。在一系列事件中检测犯罪联系是一项极具挑战性的任务,因为我们只有有限的信息,包括文本描述,事件时间和地点。实际上,标签很少。我们提出了一个新的{ \it时空文本}数据的统计建模框架,并展示了其在犯罪关联检测中的用途。我们通过多变量标记时空Hawkes过程来捕捉犯罪事件的联系,并将自由文本的嵌入向量作为事件的{ \it标记},灵感来自{ \it作案手法}(M.O.)犯罪分析。使用真实数据的数值结果表明,我们的方法的良好性能,以及揭示有趣的模式,在犯罪数据:空间,时间和文本信息的联合建模,提高犯罪联动检测相比,国家的最先进的,和学习的空间依赖数据可以是有用的警察行动。
2021-08-24 cs.LG stat.ML
Fast and Flexible Temporal Point Processes with Triangular Maps
Technical University of Munich(慕尼黑工业大学)
时间点过程(TPP)模型与递归神经网络相结合,为连续时间事件数据建模提供了一个强大的框架。虽然这些模型是灵活的,但它们本质上是顺序的,因此不能从现代硬件的并行性中受益。通过利用归一化流领域的最新发展,我们设计了TriTPP -一类新的非递归TPP模型,其中采样和似然计算可以并行进行。TriTPP匹配基于RNN的方法的灵活性,但允许数量级更快的采样。这使我们能够使用新的模型在连续时间离散状态系统的变分推理。我们证明了所提出的框架在合成和真实世界数据集上的优势。
2020-11-10 cs.LG stat.ML
Spatio-temporal Sequence Prediction with Point Processes and Self-organizing Decision Trees
Bilkent University(毕尔肯大学);DataBoss A.S.(DataBoss公司)
研究了时空预测问题,提出了一种基于点过程的预测算法。时空预测在机器学习文献中得到了广泛的研究,因为它在犯罪、地震和社会事件预测等方面具有重要的现实应用。尽管有这些深入的研究,应用领域固有的具体问题尚未得到充分探讨。在这里,我们解决了密集和稀疏分布序列的非平稳时空预测问题。我们引入了一种概率方法,将空间域划分为子区域,并在每个区域中使用交互点过程对事件到达进行建模。我们的算法可以通过基于梯度的优化过程来共同学习空间分区和这些区域之间的相互作用。最后,我们证明了我们的算法在模拟数据和两个现实生活中的数据集上的性能。我们将我们的方法与基线和最先进的基于深度学习的方法进行了比较,在这些方法中,我们实现了显着的性能改进。此外,我们还通过实证结果显示了使用不同参数对整体性能的影响,并解释了选择参数的过程。
2021-03-15 cs.LG stat.ML
A Variational Autoencoder for Neural Temporal Point Processes with Dynamic Latent Graphs
Great Bay University(大湾区大学);Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人学会);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对事件动力学的时变混合特征,提出一种带动态潜图的神经时间点过程变分自编码器,通过分子区间学习维度依赖图剔除无关影响,提升了事件间隔与类型的预测精度。
2024-03-08 cs.LG stat.ML
Deep Mixture Point Processes: Spatio-temporal Event Prediction with Rich Contextual Information
NTT Corporation(日本电报电话公司)
预测城市中何时何地发生的事件,如出租车接送,犯罪和车辆碰撞,是一个具有挑战性和重要性的问题,在城市规划,交通优化和基于位置的营销等领域有许多应用。虽然已经提出了许多点过程来模拟连续时空空间中的事件,但它们都不允许考虑影响事件发生的丰富上下文因素,例如天气,社会活动,地理特征和交通。在本文中,我们提出了\textsf{DMPP}(深度混合点过程),一个点过程模型预测时空事件与使用丰富的上下文信息,一个关键的进步是它的异构和高维上下文的图像和文本数据的合并。具体来说,我们将点过程模型的强度设计为内核的混合,其中混合权重由深度神经网络建模。这个公式使我们能够自动学习事件发生的背景因素的复杂的非线性影响。同时,该公式使得点过程估计所需的强度上的分析积分易于处理。我们使用来自不同领域的真实数据集来证明DMPP比现有方法具有更好的预测性能。
2019-06-21 cs.LG stat.ML
Counterfactual Temporal Point Processes
Sharif University of Technology(谢里夫理工大学);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
基于时间点过程的机器学习模型在涉及连续时间中的离散事件的各种应用中是最先进的。然而,这些模型缺乏回答反事实问题的能力,这些问题越来越相关,因为这些模型正在被用来为有针对性的干预措施提供信息。在这项工作中,我们的目标是填补这一空白。为此,我们首先开发了一个因果模型的时间点过程的Gumbel-Max结构因果模型的基础上变薄。该模型满足一个理想的反事实单调性条件,这是足够的,以确定在细化过程中的反事实动态。然后,给定一个观察到的实现一个时间点过程与给定的强度函数,我们开发了一个采样算法,使用上述因果模型的细化和叠加定理来模拟反事实实现的时间点过程下一个给定的替代强度函数。使用合成和真实流行病学数据的模拟实验表明,我们的算法提供的反事实实现可能会提供有价值的见解,以加强有针对性的干预措施。
2022-05-20 cs.AI cs.LG stat.ML
Spatio-temporal point processes with deep non-stationary kernels
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
点过程数据在现代应用中变得无处不在,例如社交网络、医疗保健和金融。尽管流行的递归神经网络(RNN)模型对点过程数据具有强大的表达能力,但由于其递归结构,它们可能无法成功捕获数据中复杂的非平稳依赖关系。点过程数据的另一种流行类型的深度模型是基于通过神经网络表示影响核(而不是强度函数)。我们采取后一种方法,并开发了一个新的深度非平稳影响内核,可以模拟非平稳时空点过程。其主要思想是用一种新的、通用的低秩分解来近似影响核,从而通过深度神经网络实现高效表示,提高计算效率和性能。我们还采取了一种新的方法来保持非负约束的条件强度,通过引入对数障碍罚款。我们证明了我们提出的方法的良好性能和计算效率相比,最先进的模拟和真实数据。
2022-11-21 cs.LG stat.ML
Interpretable Hybrid-Rule Temporal Point Processes
Tongji University(同济大学)
针对可解释时间点过程缺乏数值特征的问题,提出混合规则时间点过程框架,融合时间逻辑规则与数值特征,提升预测精度与临床可解释性。
2025-10-17 cs.AI cs.LG stat.ML
Imitation Learning of Neural Spatio-Temporal Point Processes
Georgia Institute of Technology(佐治亚理工学院)
提出了一种新的时空离散事件数据的神经嵌入时空(NEST)点过程模型,并提出了一种有效的基于模仿学习(一种强化学习)的模型拟合方法.尽管离散事件数据的一维时间点过程发展迅速,但对此类数据的时空方面的研究相对较少。我们的模型捕捉离散事件之间复杂的时空依赖性,通过精心设计的混合异构高斯扩散内核,其参数由神经网络参数化。这个新的内核是我们的模型可以捕获复杂的空间依赖模式的关键,但仍然导致可解释的结果,因为我们检查高斯扩散内核参数的地图。用模仿学习模型拟合的NEST比用极大似然估计法拟合的NEST更稳健。它直接测量训练数据和模型生成的数据之间的经验分布之间的偏差。此外,我们的模仿学习为基础的方法享有计算效率,由于显式表征的奖励函数相关的似然函数;此外,在我们的模型下的似然函数享有易于处理的表达式,由于高斯核参数化。基于实际数据的实验表明,该方法相对于现有方法具有较好的性能,并且对NEST的结果具有较好的可解释性。
2021-01-22 cs.LG stat.AP stat.ML
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling
我们提出了一个新的框架,道路网络上的交通拥堵事件建模。通过将交通传感器的计数数据与报告交通事件的警察报告相结合,使用多模态数据,我们的目标是捕获两种类型的拥堵事件的触发效应。一个地点当前的交通拥堵可能会导致道路网络未来的拥堵,而交通事故可能会导致交通拥堵的蔓延。为了模拟事件对过去的非均匀时间依赖性,我们使用了一种基于神经网络嵌入点过程的新的基于注意力的机制。为了将道路网络引起的方向性空间依赖性,我们将空间统计背景下的“尾部”模型应用于交通网络设置。我们证明了我们的方法的优越性能相比,国家的最先进的方法合成和真实的数据。
2021-05-31 cs.LG stat.AP stat.ML
Multivariate Spatio-Temporal Neural Hawkes Processes
本文提出了一种多变量时空神经Hawkes过程,用于建模具有时空动态的复杂事件数据,通过整合空间信息和学习衰减动态,提升了对激发和抑制机制的建模能力,并在恐怖主义数据中验证了其有效性。
2026-03-02 cs.LG math.ST stat.AP
Lecture Notes: Temporal Point Processes and the Conditional Intensity Function
这些简短的课堂讲稿包含了一个不太技术性的时间线上的点过程的介绍。重点在于使用条件强度函数定义这些过程。此外,似然推断,模拟和残差分析的方法指定的时间点过程的条件强度函数。
2018-06-01 stat.ME
Spatio-temporal càdlàg functional marked point processes: Unifying spatio-temporal frameworks
定义了càdlàg函数标记点过程类(CFMPP)。这些是由随机元标记的(时空)点过程,这些随机元在càdlàg函数空间中取值,即标记由càdlàg随机过程给出。我们概括了标记(时空)点过程的概念,并指出这个类,在一个明智的方式,连接的点过程框架与随机场框架。我们还展示了如何使用它们来构造一类时空布尔模型,如何通过选择特定的标记函数来构造不同类别的这些模型,以及càdlàg函数标记的Cox过程如何与随机场有双重联系。我们还讨论了有限CFMPPs,纯时间良好定义的CFMPPs和马尔可夫CFMPPs。此外,我们定义的特点,如产品密度,棕榈分布和条件强度,以开发统计推断工具,如似然估计方案。
2014-03-10 math.PR math.ST stat.ME
Spatio-temporal determinantal point processes
行列式点过程是规则空间点模式的模型,具有吸引人的概率性质。我们提出了他们的时空对应,并给出这些模型的例子,时空协方差函数,这是可分离的和不可分离的空间和时间的基础上。
2023-01-06 math.ST stat.TH
Decoupled Learning for Factorial Marked Temporal Point Processes
Shanghai Jiao Tong University(上海交通大学);Georgia Institute of Technology(佐治亚理工学院);East China Normal University(华东师范大学)
本文介绍了阶乘标记时间点过程模型,并给出了有效的学习方法。在传统的(多维)标记时间点过程模型中,事件通常由单个离散变量(即标记)编码。在本文中,我们描述了阶乘标记点过程,其中的时间戳事件分解成多个标记。因此,对成对标志物之间的效应进行建模的感染性矩阵的大小为幂次w.r.t.离散标记空间的数量。我们提出了一个解耦的学习方法,有两个学习过程:i)直接求解模型的基础上的两种技术:交替方向法的乘法器和快速迭代收缩保持算法; ii)涉及到一个重新制定,将原来的问题转化为一个逻辑回归模型,以更有效的学习。此外,稀疏群正则化器被添加到识别的关键轮廓特征和事件标签。在真实数据集上的实验结果证明了我们的解耦和重构方法的有效性。源代码可在线获得。
2018-01-21 cs.AI cs.LG stat.ML
Deep Reinforcement Learning of Marked Temporal Point Processes
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
在各种各样的应用中,人类通过连续时间中的异步随机离散事件与复杂环境进行交互。我们是否可以设计在线干预措施,帮助人类在这种异步环境中实现某些目标?在本文中,我们解决了上述问题的深度强化学习的标记时间点过程的角度来看,由代理采取的行动和它从环境中收到的反馈是异步的随机离散事件,其特征在于使用标记时间点过程。在这样做时,我们使用相应过程的强度和标记分布来定义代理的策略,然后导出一个灵活的策略梯度方法,该方法使用深度递归神经网络将代理的动作和它收到的反馈嵌入到实值向量中。我们的方法不对反馈的强度和标记分布的函数形式做任何假设,并且它允许任意复杂的奖励函数。我们将我们的方法应用于个性化教学和病毒式营销的两种不同应用,并使用从Duolingo和Twitter收集的数据,我们表明,它可能能够找到干预措施,以帮助学习者和营销人员更有效地实现他们的目标。
2018-11-06 cs.LG cs.SI stat.ML
Solar Radiation Ramping Events Modeling Using Spatio-temporal Point Processes
建模和预测太阳事件,特别是太阳斜升事件,对于提高太阳能发电系统的态势感知至关重要。人们已经认识到,诸如温度、湿度和云密度等天气条件可以显著影响太阳斜升事件的出现和位置。因此,对具有复杂时空相关性的这些事件进行建模是非常具有挑战性的。为了解决这个问题,我们采用了一种新的时空分类点过程模型,直观有效地解决了斜坡事件之间的相关性和相互作用。我们通过大量的真实数据实验证明了我们的模型的可解释性和预测能力。
2022-06-17 stat.AP stat.ML
Spatial kriging for replicated temporal point processes
本文提出了一种空间预测的时间强度函数的克立格方法,在不同的空间位置观察的时间点过程的情况下。假设在空间站点处可获得该过程的若干复制,该方法避免了像各向同性这样的假设,这些假设在许多应用中是无效的。作为推导的一部分,本文介绍了时间点过程的均值和协方差函数的新的非参数估计,并从理论上和模拟上研究了它们的性质。该方法被应用到分析的自行车需求模式在Divvy自行车共享系统的芝加哥市。
2021-06-30 stat.ME
Posterior concentration in spatio-temporal Hawkes processes
University of Cyprus(塞浦路斯大学)
本文提出了一种贝叶斯非参数框架,用于时空Hawkes过程的推断,推导了条件强度函数和参数的后验收缩率,并将纯时间Hawkes过程的理论结果推广到时空设置。
2026-01-07 math.ST stat.TH
Sharp Convergence Rates of Empirical Unbalanced Optimal Transport for Spatio-Temporal Point Processes
该研究针对时空点过程观测下的非平衡最优传输经验估计量,在弱平稳与次二次方差增长假设下,推导了精确收敛速率及匹配下界,验证了多种点过程下的近似极小极大最优性。
2025-09-04 math.ST stat.ML stat.TH
An Ensemble Quadratic Echo State Network for Nonlinear Spatio-Temporal Forecasting
时空数据和过程在各种科学学科中普遍存在。这些过程的特点往往是非线性的时间动态,包括跨多个尺度的空间和时间的变化相互作用。由于自动化数据测量、管理和数值模拟器输出的进步,与许多这些过程相关的数据集的大小正在增加。非线性时空模型最近才引起统计学的兴趣,但在工程和地球物理科学中有许多类这样的模型。传统上,这些模型比统计学文献中提出的模型更具启发性,但通常是直观的,并且在计算上非常有效。我们在这里表明,通过相当简单但重要的增强,回声状态网络(ESN)机器学习方法可以用于生成非线性时空过程的长时间预测,具有合理的不确定性量化,并且仅需传统参数非线性时空模型的一小部分计算费用。
2017-08-16 stat.AP 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
Doubly stochastic models for replicated spatio-temporal point processes
本文提出了一个复制时空点过程潜在强度函数的对数线性模型。通过同时拟合相关的空间和时间Karhunen-Loève展开,该模型产生的空间和时间分量通常很容易解释和捕捉最重要的变化模式和过程的时空相关性。导出了估计量的渐近分布。通过仿真研究了有限样本性质。作为应用的一个例子,我们分析了芝加哥市Divvy自行车共享系统的自行车使用模式。
2019-03-21 stat.ME
State estimation for temporal point processes
本文讨论实直线上点过程在间断区间内的联合推断问题。对于这样的过程,不能使用经典的基于历史的方法。相反,我们从连续的空间点过程中调整工具。对于一系列的模型,边际和条件分布推导。我们讨论了基于似然的推断以及参数估计使用的矩量法,进行了模拟研究的重要特殊情况下的更新过程和分析的数据集收集Diggle和Hawtin。
2015-06-03 stat.ME
Infill asymptotics for logistic regression estimators for spatio-temporal point processes
本文讨论强度函数为对数线性型的时空点过程的逻辑斯谛回归估计的填充渐近性。我们建立了Poisson点过程模型参数的强相合性和渐近正态性,并证明了这些结果如何推广到一般的点过程模型.此外,在适当的条件下,我们还将我们的中心极限定理推广到其他基于Campbell-Mecke定理的无偏估计方程。
2022-08-25 math.ST stat.TH
Density-based Neural Temporal Point Processes for Heartbeat Dynamics
Department of Computational Precision Health Deep Forest Sciences University of California Berkeley(加州大学伯克利分校计算精准健康系深林科学);Deep Forest Sciences(深林科学)
本文提出基于密度的神经时间点过程,用于建模18名受试者的心跳动力学,通过优化超参数和训练序列长度,展示了零样本预测能力。
2025-11-27 eess.SP q-bio.TO stat.AP
Graphical modelling and partial characteristics for multitype and multivariate-marked spatio-temporal point processes
本文通过引入不同的部分点特征和扩展空间依赖图模型的形式,对标记时空点过程数据进行了多变量分析。我们的方法产生了一个统一的框架,不同类型的时空数据,包括纯粹的定性(多变量)的情况下,多变量的情况下,额外的定量标记。该图模型通过部分谱密度特征定义,计算效率高,反映了具有相同离散标记的点或标记点的时空子过程集合之间的条件相似性。该文件考虑了三个应用程序,两个犯罪数据和第三个林业。
2020-03-05 stat.AP stat.ME
Evaluating Gaussian processes for sparse irregular spatio-temporal data
介绍了一种评价非规则采样稀疏时间序列的高斯过程回归模型(GPR)性能的实用方法。该方法需要使用细尺度预测来预测GPR中使用的未来观测的二次自回归模型的构建。我们建立了不同的GPR模型的Ornstein-Uhlenbeck和分数过程的模拟玩具数据具有不同的稀疏性水平,以评估该方法的实用性。
2016-11-06 stat.ME
A J-function for inhomogeneous spatio-temporal point processes
提出了一种新的非均匀强度加权矩平稳时空点过程的汇总统计量。该统计量是通过点过程的n点相关函数定义的,当假设平稳时,它推广了J函数。我们表明,我们的统计量可以表示在生成功能方面,它是有关的非齐次K-函数。在一些特定的模型假设下,我们进一步讨论了它的显式形式,并得到了一个比率无偏估计。最后,我们说明了我们的统计模拟数据的使用。
2013-11-25 math.ST stat.TH
Flexible and Scalable Bayesian Modelling of Spatio-Temporal Hawkes Processes
Faculty of Informatics, Università della Svizzera italiana(瑞士意大利大学信息学院);Department of Mathematics and Statistics, University of Cyprus(塞浦路斯大学数学与统计系)
本文提出一种全贝叶斯非参数框架,利用加性高斯过程建模空间-时间Hawkes过程,通过分离时空效应提升可解释性,同时保持高灵活性,并通过稀疏变分推断实现可扩展性。
2026-03-30 stat.ME
lgcp An R Package for Inference with Spatio-Temporal Log-Gaussian Cox Processes
本文介绍了一个用于时空预测和对数高斯Cox过程预测的R软件包。这些模型的主要计算工具是马尔可夫链蒙特卡罗和新的软件包,lgcp,因此也提供了一个可扩展的功能套件,用于实现MCMC算法的过程中,这种类型的。建模框架和推理程序的细节,首先提出之前的lgcp功能的旅游是通过步行通过数据分析。涵盖的主题包括读取和转换数据,估计模型的关键组件和参数,指定输出和模拟量,计算蒙特卡罗预期,后处理和模拟数据集。
2011-10-27 stat.CO
Locally weighted minimum contrast estimation for spatio-temporal log-Gaussian Cox processes
本文提出融合 LISTA 函数的局部最小对比方法,用于估计时空对数高斯 Cox 过程中随空间和时间变化的二阶参数,并通过模拟与地震点模式数据验证其适用性。
2022-09-15 stat.CO stat.ME
A space-time covariance function for spatio-temporal random processes and spatio-temporal prediction (kriging)
我们考虑一个平稳的时空随机过程,并假设我们有一个样本。通过在每个位置定义一系列正则频率上的离散傅里叶变换,并将这些复值随机变量作为观测样本,得到了时空随机过程的时空协方差函数和谱密度函数的表达式。这些谱对应于随机过程的不可分离类。本文得到的时空协方差函数是空间距离和时间频率的函数,类似于Matern类。这些是第二类修正贝塞尔函数。参数是随机过程的二阶谱密度函数和空间距离的形式。我们考虑协方差函数的参数估计,并简要地提到它们的渐近性质。还考虑了在已知位置处的整个数据的估计以及给定上述样本的值的估计。利用离散傅里叶变换的向量得到预测量。我们还描述了一种基于复值随机变量的似然比检验的利用有限傅里叶变换检验m个空间时间序列独立性的统计检验方法。保留字:离散傅里叶变换,协方差函数,谱密度函数,时空过程,预测(克里金)拉普拉斯算子,频率变差函数,独立性检验,Whittle似然。
2015-12-29 math.ST stat.AP stat.TH
Cubature scheme for spatio-temporal Poisson point processes estimation
本文提出时空泊松点过程拟合的cubature方案,已在R包stopp中实现,并通过数值实验指导虚拟点数量的选择以准确估计似然。
2024-03-16 stat.CO stat.ME
A Review of Self-Exciting Spatio-Temporal Point Processes and Their Applications
自激时空点过程模型预测事件的速率作为空间、时间和事件的先前历史的函数。这些模型自然地捕获触发和聚类行为,并已被广泛用于观察事件的时空聚类的领域,如地震建模,传染病和犯罪。在过去的几十年里,在自激点过程模型的估计、推理、模拟和诊断工具方面取得了进展。在这篇综述中,我描述了基本理论,调查相关的估计和推理技术,从每个领域,突出几个关键的应用,并提出了未来的研究方向。
2018-02-20 stat.ME
Statistical Modeling for Spatio-Temporal Data from Stochastic Convection-Diffusion Processes
本文提出了一种物理统计建模方法的时空数据所产生的一类随机对流扩散过程。这些过程广泛存在于科学和工程应用中,其中基础物理学对如何建模数据以及如何解释模型施加了关键约束。利用谱分解的思想,通过空间基函数的线性组合和谱系数的多元随机过程来逼近物理时空过程。与现有的方法假设空间和时间不变的对流扩散,本文认为一个更一般的情况下,空间变化的对流扩散和非零均值源汇。因此,频谱系数的时间动态是相互耦合的,这可以从物理学的角度解释为跨多个尺度的非线性能量重新分布。由于对流扩散的空间变化,时空协方差在空间上是非平稳的。理论结果被集成到一个层次的动态时空模型。基于积分差分方程建立了该模型与现有模型之间的联系。计算效率和可扩展性也进行了研究,使所提出的方法实用。所提出的方法的优点是证明了数值例子,案例研究,和全面的比较研究。计算机代码可以在GitHub上找到。
2020-08-06 stat.AP
stopp: Methods for spatio-temporal point pattern analysis, simulation, model fitting, diagnostics, and local analyses
stopp R包处理可能发生在欧几里得空间或某些特定线性网络(如城市道路)上的时空点过程。该软件包包含对点过程进行总结、绘图和执行不同类型分析的功能,主要遵循科学文献流中最近一些论文中提出的方法。这些作品的主要议题,并反过来包,包括建模,统计推断,并模拟问题的时空点过程的欧几里得空间和线性网络,重点是他们的本地特点。我们有助于现有的文献收集到一个独特的包,这是为了欢迎许多进一步的建议和扩展的时空点过程的分析,许多最广泛的方法。
2023-02-27 stat.CO stat.ME
Product Depth for Temporal Point Processes Observed Only Up to the First k Events
York University(约克大学);University of British Columbia(不列颠哥伦比亚大学)
本文提出了一种专门针对时间点过程中仅观察到前k个事件的产品深度方法,通过归一化的边际深度和条件深度相结合,提升对时间分布和事件联合分布的分析能力。
2025-11-24 math.ST stat.ME stat.TH
Estimating second-order characteristics of inhomogeneous spatio-temporal point processes: influence of edge correction methods and intensity estimates
我们限制我们的注意力时空点模式数据,我们有一个单一的实现在一个有限的区域。二阶特征用于分析底层点过程的时空结构。特别地,时空非齐次对相关函数和$K$函数测量时空聚类/规律性和时空相互作用,从而有助于模型选择。二阶特征的非参数估计需要来自研究区域之外的信息,从而导致必须校正的所谓边缘效应,并且依赖于必须在实践中估计的一阶特征。在这里,我们将经典的边缘校正因子扩展到时空设置,并比较固定/非固定和/或各向同性/各向异性点模式的相关估计器的性能。然后,我们探讨了估计的强度函数对这些估计的影响。
2013-04-26 math.ST stat.TH
A Dynamical Model for Spatio-Temporal Processes Motivated by Second-Order Partial Differential Equations
H. Milton Stewart School of Industrial and Systems, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统学院)
本文提出基于二阶随机偏微分方程的动力学模型,通过伽辽金方法将无限维状态空间转化为有限维,实现高效计算与参数估计,验证了模型在二维波动方程、地震波传播等场景中的有效性。
2026-05-07 stat.ME
An adaptive kernel estimator for the intensity function of spatio-temporal point processes
在时空点模式分析中,主要统计目标之一是估计一阶强度函数,即,单位面积和单位时间内的期望点数。这种估计通常通过核函数非参数地进行,其中最常见的障碍之一是在估计之前选择核带宽。这项工作提出了一种强度估计机制,其中的空间和时间带宽的变化在每个数据点的时空点模式。这类估计量被称为自适应估计量,虽然已经在空间环境中进行了研究,但很少有人在时空背景下对它们进行研究。我们定义的自适应强度估计的时空背景下,并扩展了分区技术的基础上的带宽分位数进行快速估计。我们通过模拟证明,这种技术在实践中工作良好,分区估计近似的直接估计和更快的计算时间。最后,我们应用我们的方法来估计亚马逊河流域火灾的时空强度。
2022-08-25 stat.AP stat.ME
Sampling on Discrete Spaces with Temporal Point Processes
University College London(伦敦大学学院)
本文提出了一种基于时间点过程的离散空间采样方法,通过构造多变量时间点过程,使其在固定长度滑动窗口内的事件计数向量收敛于目标分布,同时引入辅助随机性将采样器转化为退化出生-死亡过程,并在多个目标分布上验证了其优越性。
2026-05-17 math.PR q-bio.NC stat.CO
Estimating Inhomogeneous Spatio-Temporal Background Intensity Functions using Graphical Dirichlet Processes
Disaster Prevention Research Institute, Kyoto University(京都大学防灾研究所);Department of Earth and Planetary Science, The University of Tokyo(东京大学地球行星科学系)
本文提出基于图形狄利克雷过程的新方法,用于建模地震背景活动的时空非均匀性,应用于墨西哥南部2000-2015年地震数据研究。
2026-03-13 stat.AP
Point Pattern Processes and Models
近年来,包含一个或一组事件的位置和时间信息的数据集的可用性大幅增加,分析时空数据集的方法的应用跨越了许多学科。本章定义并概述了用于分析空间和时间点模式和过程的工具,其中离散事件分别在空间或时间上随机发生。它还介绍了时空点模式的概念和事件在空间和时间上发生的数据分析方法。我们讨论了分析点过程的模型、方法和工具。
2019-10-01 stat.ME
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。
2017-07-10 stat.AP
Finite sample forecasting with estimated temporally aggregated linear processes
我们提出了一种基于有限样本的线性一维时间序列模型预测器,并计算了相关的总预测误差。我们给出的误差表达式考虑了估计误差。与文献中现有的解决方案不同,我们的公式既不需要对样本的二阶平稳性进行假设,也不需要Monte Carlo模拟进行评估。这一结果是用来证明一个新的混合方案,我们提出的线性时间聚集预测的相关性。该策略包括基于分解数据的参数估计和基于相应的聚合模型和数据的预测。我们表明,在某些情况下,该计划有一个更好的性能比“所有分解”的方法在文献中提出的最佳。
2012-09-19 math.ST stat.TH
Bridging between short-range and long-range dependence with mixed spatio-temporal Ornstein-Uhlenbeck processes
虽然短期相关性因其简单性而在文献中被广泛假设,但长期相关性是在金融、水文、地球物理和经济学数据中观察到的一个特征。在本文中,我们扩展了Lévy驱动的时空Ornstein-Uhlenbeck过程,通过随机改变其速率参数来模拟短程和长程依赖。这种特殊的设置允许非可分离的时空相关性,这是理想的实际应用,以及灵活的空间协方差所产生的影响区域的形状。建立了时空平稳性和二阶矩等理论性质。一个各向同性的g-类也被用来说明如何内存的过程是相关的速率参数的概率分布。我们开发了一个模拟算法的复合泊松的情况下,可以用来近似其他Lévy基地。广义矩量法用于推理和模拟实验进行了展望渐近性质。
2017-04-13 stat.ME
Spatio-temporal coarse-grained Hawkes processes
The Graduate University for Advanced Studies, SOKENDAI(advanced studies大学,SOKENDAI);The Institute of Statistical Mathematics(统计数学研究所)
针对时空聚合计数数据,提出时空粗粒化霍克斯过程,通过构建有效激发核实现直接建模,提供高阶近似,并开发矩估计方法,在地震数据上验证了高效性。
2026-10-02 stat.ME
Sequential Spatial Point Process Models for Spatio-Temporal Point Processes: A Self-Interactive Model with Application to Forest Tree Data
我们使用一类特殊的时空点过程,连续的空间点过程,空间维度参数化和时间分量是原子的森林林分的空间动态模型。序列空间点过程不同于空间点过程,因为实现是空间位置的有序序列,点的顺序使我们能够近似过程的空间演化动力学。这一特征将有助于解释该过程的长期依赖性和空间历史形成的记忆。作为示例,序列可以表示相对于时间或相对于一些给定的定量标记(诸如树直径)排序的树位置。我们推导出一个参数序列空间点过程模型,表示在空间点的自相互作用,然后基于最大似然推理是易处理的。作为一个应用程序,我们将获得的模型从芬兰东部的Kiihtelysvaara网站收集的森林数据集。讨论了森林遥感的潜在应用。
2019-10-20 stat.AP stat.ME
Flexible marked spatio-temporal point processes with applications to event sequences from association football
我们开发了一个新的家庭的标记点过程的标记Hawkes过程的特征属性专门的空间标记,提供了自由,指定一个不同的模型的发生时间。这可以通过标记和时间的联合分布的分解来实现,该分解允许在给定过程过滤和当前时间的情况下单独指定标记的条件分布。我们开发了一个贝叶斯框架的推理和预测,从这个家庭的标记点过程,可以自然地容纳过程和点特定的协变量信息,以驱动交叉激励,提供广泛的灵活性和适用性,在现实世界的过程建模。该框架在这里使用的建模在游戏中的事件序列,从足球,导致不仅在推理有关以前未量化的特征的游戏动态和提取事件特定的团队能力,而且在预测发生的事件的兴趣,如目标,角落或犯规在指定的时间间隔。
2022-10-17 stat.AP stat.ME
Intrinsic Random Functions and Parametric Covariance Models of Spatio-Temporal Random Processes on the Sphere
本文针对球面上空间非齐性和时间非平稳的随机过程,基于内蕴随机函数(IRF)理论提出了新颖的参数化协方差模型及参数估计方法,并通过模拟和全球温度异常数据验证了其有效性与可解释性。
2025-02-01 stat.ME
Prediction of spatial functional random processes: Comparing functional and spatio-temporal kriging approaches
在本文中,我们提出和比较功能和时空(SP. T.)预测空间函数随机过程的克里金方法(也可以被视为SP. T.随机过程)。通过功能交叉验证的计算时间和预测性能的比较进行了评估,主要是通过模拟研究,但也对两个真实的数据集。我们将比较限制为SP. T。Kriging与普通Kriging for Functional Data(OKFD)的比较,因为更灵活的函数Kriging方法,逐点函数Kriging(PWFK)和函数Kriging总体模型,在几种情况下与OKFD一致。我们通过证明OKFD和PWFK在一定条件下重合来提供新的知识。从模拟研究中得出结论,这两种克里金方法的预测性能一般是相当的平稳SP. T。过程,函数克里金法倾向于更好地适用于小样本量和SP. T。克里金法更适合大样本量。对于非稳态Sp.T.过程,具有共同的确定性时间趋势和/或时变方差和相关结构,OKFD的性能优于SP. T。不考虑样本量的克里金法。对于所有模拟的情况下,OKFD的计算时间是相当低的相比,为SP. T。克里格方法
2018-02-15 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