Flood hazard model calibration using multiresolution model output
河流洪水对许多社区构成相当大的风险。改进洪水灾害预测有可能为洪水风险管理战略的设计和实施提供信息。目前的洪水灾害预测是不确定的，特别是由于不确定的模型参数。校准方法使用观测值来量化模型参数的不确定性。在有限的计算资源下，研究人员通常使用相对较少的高空间分辨率昂贵的模型运行或许多较低空间分辨率的廉价运行来校准模型。这导致了一个开放的问题：是否有可能有效地结合来自高分辨率和低分辨率模型运行的信息？我们提出了一个贝叶斯仿真校准方法，同化模型输出和观测在多个分辨率。作为一个案例研究，在宾夕法尼亚州的河流社区，我们展示了我们的方法使用LISFLOOD-FP洪水灾害模型。多分辨率方法在多个场景中比单分辨率方法改进了参数推断。结果因参数值和可用模型运行次数而异。我们的方法是通用的，可以用来校准其他高维计算机模型，以改善投影。
2022-08-01 stat.AP stat.ME
Bayesian spatial modelling framework for assessing residential flood risk in property insurance
研究针对保险风险建模空间异质性问题引入点参考贝叶斯框架，结合多种数据比较不同模型，用集成嵌套拉普拉斯近似推断。结果显示考虑空间依赖性可改进建模，随机偏微分方程公式表现更佳，该框架能增强预测等，是洪水保险中相关模型的首次应用。
2026-09-24 stat.AP
A varying-coefficient model for characterizing duration-driven heterogeneity in flood-related health impacts
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文提出EDVCM模型，用于分析洪水暴露持续时间对健康影响的异质性，通过贝叶斯方法和条件泊松回归提高估计精度。
2026-01-26 stat.AP stat.ME
Spatiotemporal Modeling of Nursery Habitat Using Bayesian Inference: Environmental Drivers of Juvenile Blue Crab Abundance
育苗场通过丰富的食物资源和避难所，有利于鱼类和甲壳类幼鱼的生长和生存，提高种群的二次生产力。虽然小规模的研究仍然是重要的工具，以评估苗圃价值的栖息地，有针对性的应用程序，统一调查数据在大的时空尺度是至关重要的概括推断苗圃功能，确定高产地区，并告知管理策略。利用21年的地理信息系统和时空索引的潜在苗圃生境的实地调查数据，我们构建了5个贝叶斯模型，不同的时空依赖结构，推断苗圃生境价值的青蟹C。在切萨皮克湾下游的三条支流中发现了沙蜥。从一个完全不可分离的时空模型的样本外预测少年计数优于从简单的模型预测。盐沼表面积，浊度，以及它们之间的相互作用表现出最强的协会（和积极）与丰富。相对海草面积，以前强调的最有价值的苗圃在小的空间尺度的研究，与丰富。因此，我们认为，盐沼应被视为一个关键的苗圃栖息地蓝蟹，即使在广泛的海草床。此外，苗圃的识别应基于广泛的时空尺度的调查，包括多个潜在的苗圃栖息地，并严格解决时空依赖性。
2021-12-17 stat.AP stat.ME
A Multi-Tiered Bayesian Network Coastal Compound Flood Analysis Framework
该研究提出一个多层级贝叶斯网络框架，用于沿海复合洪水概率分析，并在新奥尔良案例中验证其在不同资源条件下的有效性。
2025-07-03 physics.ao-ph stat.AP
Two-stage MCMC for Fast Bayesian Inference of Large Spatio-temporal Ordinal Data, with Application to US Drought
针对大型时空序数数据的计算难题，提出一种两阶段贝叶斯MCMC算法，通过独立并行建模与重采样施加空间依赖，在保留后验分布的同时大幅提升计算效率，并成功应用于美国干旱数据集。
2025-05-30 stat.AP stat.ME
Bayesian spatio-temporal disaggregation modeling using a diffusion-SPDE approach: a case study of Aerosol Optical Depth in India
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文提出基于扩散-SPDE的贝叶斯时空解聚模型，通过潜在连续高斯过程和INLA-SPDE推断，将印度AOD估计的空间分辨率从0.75°提升至0.25°、时间分辨率从3小时提升至1小时。
2025-11-09 stat.AP stat.ME
Three Case Studies of Two-stage MCMC for Fast Bayesian Inference of Large Spatio-temporal Data
Department of Statistical Sciences, Wake Forest University（维克森林大学统计科学系）
本文通过三个案例展示两阶段MCMC算法，以较低计算成本高效拟合大规模贝叶斯时空模型，在保持后验样本一致的同时，实现约一个数量级的计算效率提升。
2026-09-15 stat.AP stat.ME
A Bayesian spatial hierarchical model for extreme precipitation in Great Britain
众所周知，强降水事件与洪水风险增加有关。由于与洪水有关的社会和基础设施风险，极端降水需要仔细建模。极端值分析通常用于模拟大的降水事件，虽然逐站点分析往往会产生空间不一致的风险估计。实际上，人们会期望相邻地点比相隔很远的地点有更多类似的风险估计。我们提出了一种方法，在贝叶斯分层建模框架，对广义帕累托分布的参数施加空间结构。特别是，我们看看这种方法在提高回报水平估计的空间一致性和提高这些估计的精度的明显好处。与许多以前的方法，池信息的位置，我们占空间依赖性的数据在我们的置信区间。我们实现了这个模型的网格降水数据在英国。
2017-10-05 stat.AP
Bayesian Inference of Spatio-Temporal Changes of Arctic Sea Ice
由于北极海冰面积的迅速减少，引起了地球科学家越来越多的关注和警惕。在本文中，我们提出了一个贝叶斯时空分层统计模型的二进制北极海冰数据超过20年，其中一个潜在的动态时空高斯过程被用来通过logit链接函数的数据依赖模型。我们的最终目标是在二十年的时间内对北极海冰的动态空间行为进行推断。使用自体诊断评估物理动机的协变量。我们的贝叶斯时空模型展示了在这样一个复杂的分层模型中参数的不确定性如何影响时空预测。提出了新的汇总统计量的后验分布，以检测自1997年以来的20年北极海冰的变化模式。
2020-03-15 stat.AP
Bayesian spatio-temporal model for high-resolution short-term forecasting of precipitation fields
随着极端天气事件变得越来越普遍，地表水洪水造成的风险也在不断增加。在这项工作中，我们提出了一个模型，相关的贝叶斯推断计划，产生概率（高分辨率短期）预测局部降水。我们的底层层次动态时空模型的参数化是由一个前向时间，中心空间有限差分解的随机偏微分方程的集合，其中的主要驱动力是平流和扩散的动机。天气雷达和地面雨量计的观测提供了信息，我们可以从中了解（潜在）降水场的可能值以及其他未知的模型参数。在贝叶斯范式中工作提供了一个连贯的框架，用于捕获基础模型参数和预测中的不确定性。此外，呼吁基于模拟（MCMC）的采样产生一个简单的解决方案来处理零，作为删失观测，通过数据增强。基础状态和观测都具有适度大的维度（分别为$\mathcal{O}(10^4)$和$\mathcal{O}(10^3)$），这使得标准推理方法在计算上不可行。我们的解决方案是将集合卡尔曼平滑器嵌入到吉布斯抽样方案中，以便于在合理的时间内进行近似贝叶斯推断。我们的后验抽样方案的方法和有效性证明通过模拟研究，并从城市天文台项目的实际数据的案例研究，总部设在英国泰恩河畔纽卡斯尔。
2021-05-07 stat.AP stat.ME
Bayesian Spatiotemporal Modeling for Inverse Problems
时空观测反问题在科学研究和工程应用中普遍存在。在这些时空逆问题中，观测到的多变量时间序列被用来推断物理或生物学参数。这些问题的传统解决方案通常忽略数据中的空间或时间相关性（静态模型），或者简单地对随时间汇总的数据进行建模（时间平均模型）。在这两种情况下，包含时空相互作用的数据信息没有被充分利用于参数学习，这导致在这些问题中建模不足。在本文中，我们应用贝叶斯模型的基础上时空高斯过程（STGP）的反问题的时空数据和时空信息提供了更有效的参数估计和不确定性量化（UQ）。与传统的静态和时间平均方法相比，我们证明了贝叶斯时空建模逆问题的优点，使用时间依赖的对流扩散偏差分方程（PDE）和三个混沌常微分方程（ODE）。我们还提供了时空建模的优越性，以适应的轨迹，即使它显得繁琐（例如，混沌动力学）的理论依据。
2022-04-22 stat.ME
A Bayesian Multisource Fusion Model for Spatiotemporal PM2.5 in an Urban Setting
提出融合多源数据、SPDE 与 INLA 的贝叶斯时空模型，实现大伦敦 1 km 月度 PM2.5 浓度及超标概率的高分辨率不确定性制图。
2025-06-16 stat.AP stat.ME
Bayesian hierarchical modeling of extreme hourly precipitation in Norway
极端降水的空间图是水文建模以及重要基础设施规划和设计中洪水估计的关键组成部分。这在挪威等国家尤其重要，因为这些国家的水力发电设施密度很高，而且基础设施面临着因洪水而遭受破坏的重大风险。在这项工作中，我们估计一个空间相干地图的极端小时降水量在挪威的分布，在返回水平，通过连接广义极值（GEV）分布与潜在的高斯场的贝叶斯分层模型。关于GEV分布参数的广义线性模型能够纳入特定地点的地理和气象信息，从而适应这些对极端降水的影响。一个高斯场的GEV参数捕获额外的无法解释的空间异质性，并克服了稀疏的网格上收集的意见。我们进行了广泛的分析，影响GEV参数的因素，并表明我们的组合是能够适当地表征挪威极端小时降水量分布的空间变异性，以及这些估计的相关不确定性。
2014-05-26 stat.AP
Effective Bayesian Modeling of Large Spatiotemporal Count Data Using Autoregressive Gamma Processes
针对大型时空计数数据，本文提出平稳时空自回归 Gamma 过程，利用 Poisson 变量分解实现全共轭 Gibbs 抽样和线性复杂度，并验证其估计、拟合与预测能力。
2025-07-26 stat.AP stat.CO stat.ME
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University（清华大学）
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同，我们的方法结合了所有的空间和时间信息，在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量（交通流）进行排序预测，并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中，给定导出的原因节点和相应的结果节点，采用高斯混合模型描述输入和输出之间的统计关系。最后，在最小均方误差（M.M.S.E.）准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
A Bayesian Spatiotemporal Model to Estimate Disease Burden Using Hospital-Based Active Surveillance
针对被动监测易低估疾病负担及主动监测与被动监测数据空间错位问题，受波多黎各医院钩端螺旋体病监测项目启发，开发贝叶斯时空框架，扩展泊松 - 逻辑框架，纳入空间异质性与检测情况，能更好整合数据估计疾病负担。
2026-07-16 stat.AP stat.ME
The Bayesian Gaussian Process Latent Variable Model for Spatio-Temporal Stream Networks
Stellenbosch University（斯泰伦博斯大学）；University of Bath（巴斯大学）
本文提出了一种基于变分推断的框架，用于训练多输出高斯过程隐变量模型，特别针对尾部向上空间时间流网络进行优化，通过梯度优化最大化模型对数边际似然的变分下界，引入了一种新的尾部向上空间时间流网络模型家族，利用稀疏高斯过程诱导变量框架、贝叶斯高斯过程隐变量模型和局部变分方法，采用流距离代替欧几里得距离，并利用自相关/交叉相关和过程卷积捕捉空间和时间依赖性，从而开发出有效的可分离空间时间流网络基协方差函数。模拟案例研究结果表明，该框架在基准比较和多种性能指标下表现良好。
2026-05-20 stat.ME
Moderation effects and elasticities in compositional regression with a total. Application to Bayesian spatiotemporal modelling of all-cause mortality from environmental stressors
University of Girona（赫罗纳大学）；Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública, Instituto de Salud Carlos III（公共卫生与流行病学生物医学研究中心，卡洛斯三世健康研究所）
本文提出了一种基于贝叶斯空间时间建模的方法，用于分析环境压力源对全部原因死亡率的影响，考虑总效应和调节效应。
2025-05-12 stat.AP stat.ME
A Bayesian spatio-temporal nearest neighbor Gaussian process model for pooled genetic data
School of Mathematics and Statistics, University of Melbourne（墨尔本大学数学与统计学院）；The Kids Research Institute of Australia（澳大利亚儿童研究所）；Melbourne School of Population & Global Health, University of Melbourne（墨尔本大学人口与全球健康学院）；WorldWide Antimalarial Resistance Network (WWARN)（全球抗疟疾耐药性网络）；Infectious Diseases Data Observatory (IDDO)（传染病数据观测站）；Centre for Tropical Medicine and Global Health, Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学系热带医学与全球健康中心）；School of Physics, Mathematics and Computing, The University of Western Australia（西澳大学物理、数学与计算学院）
提出最近邻高斯过程模型，结合序贯蒙特卡洛平方算法，高效推断汇总遗传数据中的单倍型频率，并应用于非洲抗疟药物耐药性遗传数据分析。
2026-06-19 stat.AP stat.ME
Scalable Bayesian Spatiotemporal Tensor Modeling for Censored and Missing Areal Data
Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）；National Chung Hsing University（国立中兴大学）；China Medical University（中国医药大学）；University of Connecticut（康涅狄格大学）
本文提出了一种新的贝叶斯方法，用于处理具有缺失和 censor 观测的时空区域数据，通过结合SAR和DAGAR模型的空间依赖结构和时间自回归成分，实现了统一的时空框架，提高了模型的可解释性和预测性能。
2026-09-21 stat.ME
Spatial deformation in a Bayesian spatiotemporal model for incomplete matrix-variate responses
Federal University of Bahia（巴伊亚联邦大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）
本文提出一种贝叶斯空间时间模型，通过引入空间变形机制处理不完整矩阵变量响应，提升预测性能，适用于中等规模数据的多变量空间时间过程建模。
2026-04-22 stat.ME
Enhancing Scalability in Bayesian Nonparametric Factor Analysis of Spatiotemporal Data
针对中大型时空数据的贝叶斯非参数因子分析计算瓶颈，提出切片采样、最近邻高斯过程先验和顺序更新算法，提升可扩展性、存储效率及预测聚类性能。
2025-02-16 stat.CO stat.ME
A Bayesian spatiotemporal model for reconstructing climate from multiple pollen records
全新世（过去12，000年）的温度变化，包括从最后一个冰河时代到温暖气候的过渡，在芬兰南部，瑞典和爱沙尼亚的多个地点根据湖泊沉积物岩心的花粉化石数据进行重建。提出了一种新的贝叶斯统计方法，允许重建的温度历史，通过共享的环境响应参数和空间依赖性进行交互。过去温度的先验分布部分基于数值气候模拟。重建中的特征与基于更常用的重建技术的定量气候重建一致。结果表明，新的时空方法可以提供更平滑，更少的不确定性和更真实的比特定地点的个人重建的定量重建。
2015-11-05 stat.AP
Sequential Bayesian inference for spatio-temporal models of temperature and humidity data
我们开发了一个时空模型来预测传感器输出在英格兰东北部的五个位置。该信号使用耦合动态线性模型描述，空间效应由高斯过程指定。使用随机算法分析数据流，该算法通过一系列重新加权和重新排序步骤依次逼近参数后验。迭代批量重要性抽样计划是用来规避粒子退化通过重采样移动步骤。对算法进行了改进，使其更高效、更可并行。该模型给出了一个很好的描述的基本过程，并提供合理的预测精度。
2018-06-14 stat.AP stat.CO
Bayesian Spatiotemporal Wombling
Drexel University（德雷塞尔大学）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）；University of California, Los Angeles（加州大学洛杉矶分校）
开发贝叶斯模型和推理来研究沿给定表面的方向变化率，利用传统多线性向量分析框架等为时空响应中的差异行为设计推理框架，用于环境等多领域。
2026-07-07 stat.ME
Exact Bayesian inference in spatio-temporal Cox processes driven by multivariate Gaussian processes
在本文中，我们提出了一种新的推理方法来执行贝叶斯推断时空考克斯过程的强度函数依赖于一个多元高斯过程。动态高斯过程的引入，允许在离散时间的强度函数的演变。该方法的新颖之处在于，没有离散化错误涉及的事实，尽管非易处理的似然函数和无穷维的问题。该方法是基于一个马尔可夫链蒙特卡罗算法，从联合后验分布的参数和潜在变量的模型进行采样。模型的定义一般和灵活的方式，但他们是服从直接采样相关的分布，由于其组件的仔细表征。该模型还允许纳入回归协变量和/或时间分量，以解释强度函数的变异性。这些组件可能会受到与空间和/或时间的相关相互作用。真实和模拟的例子说明了方法，然后是结束语。
2019-03-10 stat.ME
Bayesian Levy-Dynamic Spatio-Temporal Process: Towards Big Data Analysis
针对时空统计中现有方法难同时兼顾真实拟合与低计算成本的问题，提出基于Lévy随机场的贝叶斯非参数动态时空模型及并行MCMC算法，在大规模海温数据上验证了高效性，有望支持太字节级时空大数据分析。
2024-12-16 stat.CO stat.ME
Integrating Expert Knowledge and Recursive Bayesian Inference: A Framework for Spatial and Spatio-Temporal Data Challenges
Universitat de València（瓦伦西亚大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
本文提出了一种整合专家知识与递归贝叶斯推断的框架，用于解决空间和时空数据挑战，通过递归推断和支持转换方法提高估计准确性。
2025-11-25 stat.ME
Neglecting Model Structural Uncertainty Underestimates Upper Tails of Flood Hazard
沿海洪水给许多社区带来了相当大的风险，但对未来洪水风险的预测仍存在很大的不确定性。极端事件观测的缺乏往往促使人们使用统计方法来模拟极端风暴潮事件的分布。经常被忽视的一个关键的深度不确定性是模型结构不确定性。目前，专家们对于使用哪一类统计模型作为最佳做法没有达成强烈的共识。沿海洪水风险的稳健管理要求沿海管理人员考虑风暴潮非平稳性的明显可能性。这增加了要使用的潜在模型的复杂性，这往往会增加约束模型所需的数据。在这里，我们使用贝叶斯模型平均方法来分析模型复杂性（足以捕获决策相关风险）与数据可用性（以约束复杂模型结构）之间的平衡。我们通过一组校准实验来表征深层模型结构的不确定性。具体来说，我们校准一组模型的复杂性，使用长期的验潮观测从荷兰和美国。我们发现，在这两种情况下，大约一半的模型权重与非平稳模型相关。我们的方法提供了一个正式的框架，整合信息的模型结构，在潜在的相当大的建模不确定性。通过结合来自多个模型的信息，我们的推断为预计的风暴潮100年回报水平锐化，估计回报水平增加了几厘米。我们通过一组实验与时间子集和模型比较指标的数据可用性的影响进行评估。我们的分析表明，对于这里考虑的地点和方法，需要大约70年的数据来稳定100年回报水平的估计。
2018-06-03 stat.AP
Dynamic Bayesian Predictive Stacking via Markovian Spatiotemporal Propagation
Università degli studi Milano-Bicocca（米兰比可卡大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种自适应马尔可夫时空迁移学习方法，通过矩阵变量高斯分布和贝叶斯预测堆叠实现高效信息共享，提升多变量时空建模的可扩展性和适应性。
2026-11-09 stat.CO stat.ME
A semiparametric spatiotemporal Bayesian model for the bulk and extremes of the Fosberg Fire Weather Index
大规模野火造成了重大的环境问题，精确的火灾风险地图可以改善救灾规划。Fosberg火灾天气指数（FFWI）常被用来衡量森林火灾的风险; FFWI具有非高斯边缘分布和强时空极值依赖性，因此，使用高斯过程等地统计学模型对FFWI进行建模是值得商榷的。极值理论（EVT）驱动的模型，如最大稳定过程在理论上是有吸引力的，但计算要求高，只适用于阈值不稳定或块最大值。灾害管理政策往往考虑气候参数的中极端分位数，因此，需要对数据的主体和尾部进行联合建模。在本文中，我们考虑一个Dirichlet过程的混合空间skew-t过程，可以灵活地模拟散装以及尾部。该模型具有非平稳的均值和协方差结构，以及非零的时空极值相关性。仿真研究表明，该模型具有更好的空间预测性能相比，一些竞争模型。我们开发的FFWI中位数和极端的空间地图，并讨论整个加州圣安娜地区的野火风险。
2020-11-16 stat.ME
Bayesian spatiotemporal modeling of passenger trip assignment in metro networks
针对地铁乘客出行路径分配逆问题，提出带核化张量分解的贝叶斯分层模型，通过定制MCMC算法推断，在香港地铁数据上精度优于基准，可量化不确定性并支撑交通运营。
2025-07-30 stat.AP
Bayesian approach to Spatio-temporally Consistent Simulation of Daily Monsoon Rainfall over India
对一个地区长时间降雨的模拟对于规划和决策非常有用，特别是在经济严重依赖季风降雨的印度。然而，这种模拟应该能够保持印度降雨的已知空间和时间特征。大气环流模型（GCM）无法做到这一点，水文学家使用高斯过程等随机过程设计的各种降雨发生器也难以应用于印度广阔而高度多样化的景观。在本文中，我们探讨了一系列贝叶斯模型的基础上，条件分布的潜变量，描述在特定位置和整个国家的天气状况。在从观测数据进行参数估计期间，我们使用使用马尔可夫随机场的时空平滑，使得所学习的参数在空间和时间上是相干的。此外，我们使用一个非参数的空间聚类的基础上中餐厅过程，以确定同质区域，这是利用一些建议的模型，以提高模拟降雨的空间相关性。这些模型能够模拟印度多年来的日降雨量，还可以利用上下文信息进行条件模拟。我们使用两个不同的空间分辨率的数据集在印度，并专注于2000-2015年期间。我们提出了大量的度量来研究模型模拟的时空特性，并将它们与观测数据进行比较，以评估模型的优点和缺点。
2017-09-01 stat.AP
Linking climate and dengue in the Philippines using a two-stage Bayesian spatio-temporal model
本研究采用两阶段贝叶斯时空模型结合INLA方法，分析菲律宾气候与登革热的关联，发现温度总体呈正相关但极端高温有负效应，降雨影响因干湿季特征而异。
2025-06-27 stat.AP
High-Dimensional Bayesian Geostatistics
随着地理信息系统和方便用户的软件的能力不断增强，统计人员今天经常会遇到含有大量空间位置和时间点观测数据的地理参照数据。在过去的十年中，层次时空过程模型已成为广泛部署的统计工具，为研究人员更好地了解空间和时间变异的复杂性。然而，拟合分层时空模型通常涉及昂贵的矩阵计算，其复杂度对于空间位置和时间点的数量以立方阶增加。这使得这种模型对于大型数据集不可行。本文提供了一个重点审查的两种方法来构建定义良好的高度可扩展的时空随机过程。这两个过程都可以作为时空随机场的“先验”。第一种方法构造了一个低秩的过程在一个低维的子空间上运行。第二种方法构造了一个最近邻高斯过程（NNGP），以确保其有限实现的稀疏精度矩阵。这两个过程都可以作为嵌入在丰富的分层建模框架中的可扩展先验来利用，以提供完整的贝叶斯推断。这些方法可以被描述为基于模型的解决方案的大时空数据集。模型确保算法复杂度具有$\sim n$浮点运算（触发器），其中$n$是空间位置的数量（每次迭代）。我们比较这些方法，并提供一些见解，他们的方法论基础。
2017-05-20 stat.ME
Bayesian Feature Extraction using Gaussian and Diffused-gamma Priors for High Dimensional Spatio-Temporal Data
University of Connecticut（康涅狄格大学）；Boston University（波士顿大学）
针对含稀疏结构及时空依赖性的高维数据，开发贝叶斯特征提取框架，采用高斯和扩散伽马先验诱导结构化稀疏，经MCMC计算后验，引入两阶段提取过程，以EEG案例研究验证，提升了稀疏特征恢复及可解释性，广泛适用于相关高维结构化问题。
2026-07-28 q-bio.QM stat.AP stat.CO
Spatiotemporal Dynamics of Conflict Occurrence and Fatalities in Ethiopia: A Bayesian Model and Predictive Insights Using Event-level Data (1997--2024)
本研究提出时空双重贝叶斯模型，利用埃塞俄比亚1997-2024年ACLED事件数据，结合固定与随机效应分析冲突死亡发生与人数，揭示时空聚集特征及风险因素，为政策规划提供依据。
2025-11-02 stat.AP
Unveiling land use dynamics: Insights from a hierarchical Bayesian spatio-temporal modelling of Compositional Data
本文面向土地利用变化分析，提出贝叶斯空间与时空成分数据建模框架，利用联合模型、序贯推断、共识方法和空间降尺度处理零值与大数据问题。
2024-08-03 stat.ME
Bayesian model-based spatiotemporal survey design for log-Gaussian Cox process
在地质统计学中，数据收集的设计是精确预测和参数推断的核心。一类重要的地质统计模型是对数高斯Cox过程（LGCP），它被广泛使用，例如，在生态学中。然而，没有正式的分析LGCP模型的最优设计。在这项工作中，我们开发了一种新的基于模型的试验设计时空点过程数据的LGCP建模。我们提出了一个新的空间平衡的拒绝抽样设计，直接采样的时空位置，是一个先验的预期提供最多的信息。我们比较了拒绝抽样设计传统的平衡和均匀随机设计，使用平均预测方差损失函数和库尔贝克-莱布勒散度之间的先验和后验的LGCP强度函数。我们的研究结果表明，拒绝抽样方法优于相应的平衡和均匀随机抽样设计LGCP，而后者的工作更好的模型与高斯模型。我们进行了一个案例研究，应用我们的新的抽样设计，计划对芬兰沿海地区的两个商业上重要的鱼类种群的幼虫区的物种分布建模的调查。实例研究结果表明，与传统设计相比，拒绝抽样设计具有相当大的优势。结果还表明，最佳性能的设计可能会有很大的不同目标物种。
2018-08-28 stat.ME
Dynamic Bayesian Learning for Spatiotemporal Mechanistic Models
本文提出一种动态贝叶斯学习方法，通过高斯过程回归仿真时空机制模型，实现高效推断与大规模迁移学习，并应用于微分方程反问题。
2025-07-09 stat.ME stat.ML
A Scalable Bayesian Spatiotemporal Model for Water Level Predictions using a Nearest Neighbor Gaussian Process Approach
针对大规模水文数据预测挑战，提出贝叶斯时空最近邻高斯过程模型，通过稀疏精度矩阵实现可扩展性，在爱尔兰301个站点90天水位数据上优于对比方法。
2026-06-23 stat.AP
Bayesian inference for spatio-temporal hidden Markov models using the exchange algorithm
针对时空隐马尔可夫模型因潜变量联合分布难以估计的问题，提出一种基于自逻辑模型扩展的时空隐马尔可夫模型，并在贝叶斯框架下采用近似交换算法进行推断，规避了不可计算的归一化常数，提高了参数估计的准确性。
2025-09-18 stat.CO stat.ME
Amortized Bayesian Inference for Spatio-Temporal Extremes: A Copula Factor Model with Autoregression
本研究提出带自回归因子的贝叶斯时空Copula极值模型，结合嵌入摊销神经后验估计的Gibbs采样实现高效推断，经模拟和降水数据验证，可提升估计精度，为热带干旱地区气候风险管理提供支持。
2025-10-02 stat.ME
Bayesian inference for spatio-temporal spike-and-slab priors
在这项工作中，我们解决的问题，解决了一系列欠定线性反问题的稀疏约束。我们推广的尖峰和板先验分布编码先验相关的支持的解决方案在空间和时间上施加一个变换的高斯过程的尖峰和板的概率。在此模型下，给出了一种后验推理的期望传播算法。对于大规模问题，标准EP算法可能非常慢。因此，我们引入三种不同的近似方案，以减少计算复杂度。最后，我们证明了所提出的模型使用数值实验的基础上合成和真实的数据集。
2017-12-01 stat.CO stat.ME stat.ML
Bayesian modeling with spatial curvature processes
空间过程模型被广泛地用于对来自不同科学领域的点参照变量进行建模。分析所产生的随机表面提供了更深入的洞察研究响应内的潜在依赖性的性质。我们开发贝叶斯建模和推理的响应面上的快速变化，以评估沿给定轨迹的方向曲率。这种快速变化的轨迹或曲线，通常称为\emph{wombling}边界，以洪泛平原中的河流、道路、山脉或高原或导致响应表面上的高梯度的其他地形特征的形式出现在地理空间中。我们充分展示了基于贝叶斯推断的方向曲率过程的模型来分析沿wombling边界的响应的差异行为。我们说明了我们的方法与一些模拟实验，其次是多个应用程序具有波士顿住房数据，默兹河数据，从美国东北部的温度数据。
2023-02-14 stat.ME
GP-ETAS: Semiparametric Bayesian inference for the spatio-temporal Epidemic Type Aftershock Sequence model
流行病型余震序列（ETAS）模型是描述地震自激现象的一种时空模型。虽然传统的推理方法只提供模型参数的点估计，我们的目标是在一个完整的贝叶斯模型推理处理，自然允许将先验知识和不确定性量化的结果估计。因此，我们通过高斯过程（GP）先验引入了空间变化ETAS背景强度的高度灵活的非参数表示。结合经典的触发函数，这导致了一个新的模型公式，即GP-ETAS模型。我们通过导出GP-ETAS推理问题的增强形式来实现易处理和有效的吉布斯抽样。这种新的采样方法使我们能够评估以观测到的地震目录为条件的后验模型变量，即，空间背景强度和触发函数的参数。两个合成数据集的实证结果表明，GP-ETAS优于标准模型，从而证明了对观测地震目录的预测能力，包括对估计参数的不确定性量化。最后，介绍了意大利拉奎拉地区2009年4月6日发生毁灭性事件的案例研究。
2020-05-26 physics.geo-ph stat.AP
A Framework of Zero-Inflated Bayesian Negative Binomial Regression Models For Spatiotemporal Data
该研究提出一种基于贝叶斯框架的零膨胀负二项回归模型，利用Pólya-Gamma潜变量和最近邻高斯过程处理大规模时空数据中的大量零值，并应用于佛罗里达州COVID-19死亡数据分析。
2024-02-06 stat.CO stat.ME
Development of probabilistic dam breach model using Bayesian inference
溃坝模型常用于预测潜在溃坝的出流过程线，是评估洪水风险的关键因素。本文介绍了一种新的溃坝模型框架，它将提高均质土坝过程线预测的可靠性。力求少数的参数，简化的物理模型描述的过程中失败的堤坝决口扩大，由渐进的表面侵蚀驱动。其中坝料的侵蚀速率由经验输沙公式模拟。将该模型嵌入到贝叶斯多层次框架中，可以对不同类别的不确定性进行定量分析。为此，在文献中的观测峰值流量和历史溃坝的最终决口宽度的数据被用来进行模型反演，通过应用马尔可夫链蒙特卡罗模拟。先验知识主要基于无信息的分布函数。由此产生的后验分布表明，不确定性的主要来源是相关参数子集，由剩余误差项和量化违约侵蚀率的认识项组成。洪峰流量和最终溃口宽度的预测区间与文献中已知值一致。为了最终预测出流过程线的实际应用，制定了一个替代的残差模型，假设完美的数据和完美的模型。全概率的水文预测方式有可能改善下游洪水的充分风险管理。
2018-06-13 physics.geo-ph stat.AP stat.CO
Spatiotemporal Besov Priors for Bayesian Inverse Problems
本文提出时空Besov过程（STBP）作为贝叶斯逆问题的先验，通过将Besov过程的随机系数替换为Q-指数过程以纳入时间相关性，并在模拟和多个逆问题中验证其优于经典方法。
2025-10-17 stat.ME stat.ML
Parameter clustering in Bayesian functional PCA of fMRI data
在过去的几十年里，用于大脑记录的神经科学技术取得了非凡的进步，导致了越来越复杂的时空数据集。为了减少过度简化，已经开发了新的模型，以便能够在高要求的数据环境中识别有意义的模式和新的见解。在这种程度上，我们提出了一种新的模型，称为参数聚类功能主成分分析（PCL-fPCA），融合了功能数据分析和贝叶斯非参数化的想法，以获得灵活的和计算上可行的信号重建和探索的时空神经科学数据。特别是，我们使用一个狄利克雷过程高斯混合模型聚类功能主成分得分内的标准贝叶斯功能PCA框架。这种方法捕捉平滑的时间序列（曲线）之间的空间依赖性结构及其与时域的相互作用，而不对数据施加先前的空间结构。此外，通过将混合物从数据移动到功能主成分得分，我们获得了更一般的聚类过程，从而允许更高层次的复杂洞察力和对数据的理解。我们目前的结果，从模拟研究表明，改善曲线和相关性重建相比，不同的贝叶斯和频率fPCA模型，我们应用我们的方法功能磁共振成像和脑电图数据分析提供了丰富的探索大脑时间序列的时空依赖。
2020-09-21 stat.ME
ISBO: Scalable Spatio-Temporal Bayesian Optimization with Log Gaussian Cox Process Models via the INLA-SPDE Approach
KAUST（阿卜杜拉国王科技大学）；University of Oxford（牛津大学）
研究针对时空数据的贝叶斯优化问题，提出首个可扩展框架ISBO，采用LGCP建模、INLA-SPDE推断，实验显示其峰值发现与强度恢复准确且速度显著提升，是点过程数据BO的实用方案。
2026-10-14 cs.LG stat.ML
Bayesian Machine Learning meets Formal Methods: An application to spatio-temporal data
本文提出结合贝叶斯预测推理与形式化方法的跨学科框架，用于时空数据决策问题，通过时空逻辑形式化属性并验证，还能比较模型预测性能，在城市移动性应用中得到验证。
2024-04-25 cs.LO stat.CO
Bayesian Functional Mixed-Effects Model with Gaussian Process Responses for Wavelet Spectra of Spatiotemporal Colonic Manometry Signals
目的：我们提出了一种技术，用于识别和统计分析的准周期时空压力信号记录从多个紧密间隔的传感器在人类结肠。方法：通过对记录信号进行连续小波变换和互小波变换来实现识别。统计分析是通过将频率域和频率-相位域中的时间平均振幅或相干性建模为规则网格上的高斯过程来实现的，其受到由试验设计指定为混合效应模型的分类和数值预测因子的影响。用哈密顿蒙特卡罗方法推导了模型参数。结果与结论：我们提出了一种应用这种方法的结肠测压数据在健康对照，以确定不同的结肠区域之间的压力信号的频谱的统计差异，并在响应膳食干预。我们能够成功地识别和对比各种预测之间的压力信号的频谱特征。重要性：这种新的方法提供了快速分析的压力信号的详细程度的数量级超出了以前可用的。所提出的易处理的混合效应模型广泛适用于具有功能反应的试验设计。
2019-12-05 q-bio.QM stat.AP
