Bayesian Spatiotemporal Nonstationary Model Quantifies Robust Increases in Daily Extreme Rainfall Across the Western Gulf Coast
本文提出空间变化协变量模型这一分层贝叶斯时空框架，整合非平稳性与区域化方法，用于极端降水频率分析，并在西墨西哥湾沿岸日降雨案例中验证了极端降水强度和变异性的稳健增加趋势。
2025-02-04 stat.AP
Filling survey gaps in food security monitoring with spatio-temporal additive Gaussian process models
Vrije Universiteit Brussel（布鲁塞尔自由大学）；London School of Economics and Political Science（伦敦政治经济学院）；Paris-Dauphine University（巴黎第九大学）；University of Oxford（牛津大学）；Sapienza University（罗马第一大学）
本文提出时空加性高斯过程模型，利用其克罗内克结构实现可扩展推理，在尼日利亚、乍得数据上验证精度更优，可填补粮食安全监测的地理与时空缺口。
2026-08-17 stat.AP stat.ME
A spatio-temporal statistical framework for heatwave attribution under climate change
UCLouvain（法语鲁汶大学）；KU Leuven（荷语鲁汶大学）；University of Leicester（莱斯特大学）
本文提出一种统一的时空统计框架，用于归因气候变化下的热浪，通过结合空间量化回归模型、非平稳空间极值模型和皮尔逊模型，分析热浪的概率和持续性，提升对传统方法无法捕捉的热浪特征的归因能力。
2026-04-29 stat.AP stat.ME
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出一种在线自助法方案，用于非平稳时间序列的非参数水平估计，实现可扩展的不确定性量化，适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
Efficient and automatic methods for flexible regression on spatiotemporal data, with applications to groundwater monitoring
将统计模型拟合到时空数据需要在施加平滑度和遵循数据之间找到正确的平衡。在p-样条的背景下，我们提出了一个贝叶斯框架，选择平滑参数，允许建设全自动的数据驱动的方法，以适应灵活的模型时空数据。一个计算效率高的实现，利用所产生的设计和惩罚矩阵的稀疏性，提出了。使用模拟和两个例子，都与地下水中的污染物，这表明，所提出的战略是更稳定的竞争战略的基础上使用的标准，如GCV和AIC的建模的结果进行说明。
2013-10-29 stat.AP
Mixed Effects Modeling for Areal Data that Exhibit Multivariate-Spatio-Temporal Dependencies
有许多可用的数据源报告相关的感兴趣的变量，这些变量也在地理区域和时间上被引用;然而，人们可以容易地使用的通用统计方法相对较少，这些方法包含这些多变量时空依赖性。因此，我们引入多变量时空混合效应模型（MSTM）来分析具有多变量时空依赖性的区域数据。建议的MSTM扩展的概念Moran的I基函数的多变量时空设置。这种扩展导致几个方法的贡献，包括非常有效的降维，多变量时空区域过程的动态线性模型，并减少了高维参数空间使用一种新的参数模型。几个例子来证明，MSTM提供了一个非常可行的解决方案，发现在不同的和不同的角落的时空统计文献，包括：建模不可分离和非平稳协方差，从多个重复调查的数据进行梳理，并分析大量的多变量时空数据集的许多重要问题。
2014-09-04 stat.ME
Spatio-Temporal Jump Model for Urban Thermal Comfort Monitoring
Institute for Applied Mathematics and Information Technologies “E. Magenes”（“E.马格内斯”应用数学与信息技术研究所）；National Research Council of Italy（意大利国家研究委员会）
针对现有热舒适模型忽略时空动态的问题，提出一种具有时空持久性的时空跳跃模型，该模型能处理缺失数据并增强可解释性，在模拟和新加坡实际气象数据中有效识别热舒适状态，展现了无监督方法替代大规模调查的潜力。
2024-11-18 cs.LG stat.AP 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
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列，包括趋势下谱估计、趋势估计及置信区间，支持任意长度数据，无需预处理。
2024-11-05 stat.CO stat.ME
Interpolation of nonstationary high frequency spatial-temporal temperature data
大气辐射测量计划是美国能源部的一个项目，收集世界各地的气象观测数据，以研究天气过程如何影响全球气候变化。作为其举措之一，它在美国南部大平原地区运行一套固定但间隔不规则的监测设施。我们描述了从这些固定设施到没有观测的位置的温度记录插值方法，当需要空间网格上的值时，这可能是有用的。我们插值有条件地模拟从一个合适的非平稳高斯过程模型，占随时间变化的统计特性的温度，以及对太阳辐射的依赖。该模型通过最大化近似似然来拟合，并且条件模拟导致预测温度的校准良好的置信区间。我们还描述了用于处理数据中的时空跳跃以插值缓慢移动的冷锋的方法。
2013-11-29 stat.AP
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。
2021-04-01 stat.ME
Spatio-temporal Modelling of Temperature Fields in the Pacific Northwest
模拟温度场的重要性不仅在于了解一个地区的气候，而且也是了解其社会经济和健康后果的起点。研究区域的地形有助于建模这些领域的复杂性，并需要灵活的时空模型，能够处理非平稳性和趋势的变化。在本文中，我们开发了一个灵活的随机时空模型在太平洋西北地区的每日温度，并描述了一种方法进行贝叶斯空间预测。这个模型的一个新的方面，在Le和Zidek（1992）提出的时空模型的扩展，是它的时空场的特定地点的功能，在其时空的意思。由于太平洋西北部的天气经常令人惊讶，该论文中报告的分析表明，需要将时空相互作用纳入该平均值，以了解在附近位置观察到的温度快速变化，并获得近似稳定的残差用于更高级别的分析。没有为这些残差的空间协方差阵假设结构，因此允许模型捕获这些残差中剩余的任何非平稳空间结构。
2016-04-02 stat.AP
Inference for nonstationary time series of counts with application to change-point problems
我们考虑一个整数值的时间序列$Y=(Y_t)_{t\in\Z}$，其中模型在一个时间$k^*$是泊松自回归的条件平均值，取决于一个参数$θ^*\inΘ\subset\R^d$。$k^*$之前的流程结构未知;它可以是任何其他整数值时间序列，也就是说，过程$Y$可以是非平稳的。证明了在非平稳观测值下计算的$θ^*$的极大似然估计是相合且渐近正态的。其次，我们在一大类Poisson自回归模型中进行了序贯变点检测。我们提出了一个监测计划，用于检测模型中的变化。该过程是基于一个更新的估计，这是计算没有历史观测。研究了检测器的渐近行为，特别地，将上述关于非平稳环境下推断的结果应用于证明所提出的方法是一致的。提供了模拟研究以及实际数据应用。
2020-05-02 math.ST stat.TH
Enabling Cost-Effective Population Health Monitoring By Exploiting Spatiotemporal Correlation: An Empirical Study
由于人口健康监测在卫生政策制定中的重要作用，人口健康监测被认为是公共卫生服务的基本环节。然而，传统的公共卫生数据收集方法，如基于诊所访问的数据整合或健康调查，可能非常昂贵和耗时。为了应对这一挑战，本文提出了一种具有成本效益的方法，称为压缩人口健康（CPH），其中给定区域的一个子集是根据该区域内的区域以传统方式进行数据收集，同时利用相邻区域的固有空间相关性对该区域的其余部分进行数据推断。通过纵向交替选择区域，该方法可以验证和校正先前评估的空间相关性。为了验证CPH的想法是否可行，我们进行了深入研究的基础上，慢性病的时空发病率在伦敦周围的500多个地区超过十年。我们介绍了我们的CPH方法，并提出了三个广泛的分析研究。第一个证实，显着的时空相关性确实存在。在第二项研究中，通过部署多个最先进的数据恢复算法，我们验证了这些时空相关性可以被利用来准确地使用少量的样本进行数据推断。最后，我们比较了传统数据收集的区域选择的不同方法，并展示了这些方法如何在保持高PHM质量的同时进一步降低整体成本。
2020-04-25 stat.AP
Pesticide concentration monitoring: investigating spatio-temporal patterns in left censored data
鉴于对环境安全的主要关切以及增加公共健康风险的可能性，监测农药浓度对公共当局非常重要。该过程的一个重要方面在于从大量收集的数据中定位异常信号。这类数据通常是复杂的，因为它受到量化的限制，导致左删失的观察，并从抽样程序，这是不规则的时间和空间跨越测量站。本手稿处理的问题，正是检测农药浓度水平的时空集体异常，并介绍了一种新的方法来处理时空异质性。后者结合了一个变点检测程序，适用于一系列的最大日值在所有站，和一个聚类步骤，旨在空间分割的站。定量限在变点程序中处理，假设一个潜在的左删失参数模型，分段平稳。空间分割考虑到地理条件，并可能是基于河流网络，风向等，与时间段和空间集群，最终可以分析数据，并确定上下文异常。拟议的程序详细说明了一个数据集，包含丙硫威浓度水平在中央卢瓦尔河谷地区的地表水。
2022-12-20 stat.AP
Space time modeling for drought classification and prediction
本文提出基于广义加性模型和扩展广义Pareto分布的非平稳SPI框架，用于灵活建模干旱时空变异性并稳健预测极端干旱与湿润事件的回归水平。
2025-07-20 stat.AP
Spatio-Temporal Cross-Covariance Functions under the Lagrangian Framework with Multiple Advections
在分析大多数环境和地球科学变量的时空依赖性时，如大气不同层的污染物浓度，观察到一个特殊的属性：协方差和互协方差在某些方向上更强。这一特性归因于自然力的存在，如风，它导致这些变量的传输和分散。这种时空动态促使拉格朗日参考框架与任何高斯时空地质统计模型一起使用。在这种建模框架下，一个全新的类诞生了，被称为拉格朗日框架下的时空协方差函数类，在单变量设置中已经建立了几个发展，在固定和非固定的配方，但在多变量的情况下。尽管这种建模方法取得了许多进展，但还需要努力探索使用多个平流的情况，特别是当涉及多个变量时。考虑到多个平流将使拉格朗日框架在模拟现实的多变量运输方案的一个更可行的方法。在这项工作中，我们建立了一类拉格朗日时空交叉协方差函数与多重平流，研究其性质，并证明其使用的双变量污染物数据集的颗粒物在沙特阿拉伯。
2022-05-22 stat.ME
Bayesian spatio-temporal models for stream networks
时空模型在包括生态学在内的许多研究领域都有着广泛的应用。最近在溪流和河流中大量使用现场传感器，这支持了近实时的时空水质建模和监测。介绍了一种新的时空模型族。这些模型采用流距离的空间依赖性，而时间自相关捕获使用向量自回归方法。这些新模型的几个变化提出了使用贝叶斯框架。结果表明，我们提出的模型表现良好，使用从真实流网络收集的时空数据，特别是在样本外RMSPE。这说明考虑在美国西北部的水温数据的案例研究。
2022-02-15 stat.AP stat.ME
Spatio-temporal modelling of forest monitoring data: Modelling German tree defoliation data collected between 1989 and 2015 for trend estimation and survey grid examination using GAMMs
介绍了德国森林状况调查中树木落叶数据的时空建模。本文采用广义加性混合模型对1989 - 2015年主要树种落叶量的时空变化趋势进行了估计，并对不同监测网格分辨率的适用性进行了检验。虽然自1989年以来一直在收集数据，但这是第一次对整个德国进行时空建模。除时空成分外，林龄对落叶量也有显著影响。平均年龄和特定的落叶和年龄之间的关系决定了落叶的一般水平，而落叶的波动主要与天气条件。这项研究表明，干旱胁迫和落叶的所有四个主要树种之间有很强的关联。除了天气条件的直接影响外，间接影响似乎起着更大的作用。落叶的干旱耐受物种松树和橡树主要是受虫害干旱后，而相当长的时间再生山毛榉干旱胁迫和经常性的大量结实。德国东南部已成为自2003年干旱以来落叶最多的地区。与长期参照期相比，该区域2003年缺水最严重。目前的研究表明，重点已经从空气污染转移到气候变化。此外，时空模型进行了模拟研究，比较不同的调查网格分辨率。这一网格检查表明，8x8公里网格而不是标准的16 x16公里网格对于时空趋势估计和在空间和时间上探测落叶热点，特别是橡树落叶热点是必要的。
2018-05-23 stat.AP
deepspat: An R package for modeling nonstationary spatial and spatio-temporal Gaussian and extremes data through deep deformations
Research School of Finance, Actuarial Studies and Statistics, Australian National University（澳大利亚国立大学金融、精算与统计研究学院）；Statistics Program, CEMSE Division, King Abdullah University of Science and Technology（阿卜杜拉国王科技大学CEMSE学部统计学项目）；School of Mathematics and Applied Statistics, University of Wollongong（伍伦贡大学数学与应用统计学院）
deepspat通过深度变形方法实现非平稳空间和时空数据的建模与预测，适用于高斯和极值数据。
2025-12-09 stat.CO stat.ME
Modelling multivariate spatio-temporal data with identifiable variational autoencoders
针对时空盲源分离仅支持线性解混的问题，本文将可识别变分自编码器扩展至非线性非平稳场景，提出两种潜维度估计方法，经模拟和气象应用验证，可有效恢复潜成分并提升预测精度。
2024-11-01 stat.ME
GWSDAT - GroundWater Spatiotemporal Data Analysis Tool
对工业和商业场所地下水质量的定期监测产生大量时空浓度数据。数据建模通常限于分析单个井中的单调趋势，或将空间浓度分布独立拟合（例如克里格法）到单独的监测时间段。这两种技术都不能令人满意地阐明数据的空间和时间成分之间的相互作用。潜在的负面后果包括对地下水羽流动态的不完全理解，这可能导致选择不适当的补救战略。地下水时空数据分析工具（GWSDAT）是一个用户友好的，开源的，决策支持工具，已开发，以解决这些问题。独特的是，GWSDAT适用于一个时空模型的地下水溶质浓度的空间和时间序列分量的相互作用的一个更连贯和顺利的解释。GWSDAT旨在处理标准地下水监测数据集，没有特殊的数据要求。数据输入通过标准化的Microsoft Excel输入模板进行。底层的统计建模和图形输出是使用R生成的。本文详细介绍了各种绘图选项，以及如何使用图形用户界面进行快速，严格和交互式的趋势分析，并方便生成报告。GWSDAT已被广泛用于壳牌下游资产的土壤和地下水条件评估，讨论部分描述了其应用的好处。这些措施包括快速解释复杂的数据集、及早发现新的溢漏、探测场外羽流迁移和简化地下水监测报告的编写-所有这些都有助于加快风险评估和补救。
2013-10-30 stat.AP
Spatio-temporal areal models to support small area estimation: An application to national-scale forest carbon monitoring
针对NFI在小空间域和短时间段内森林碳趋势与变化估计的不足，提出一种时空贝叶斯模型框架，提供具有完整不确定性量化的现状、趋势和变化估计，并通过模拟和大规模数据验证其有效性。
2024-07-30 stat.AP
Bag of DAGs: Inferring Directional Dependence in Spatiotemporal Processes
提出 Bag of DAGs 过程通过将风向映射为稀疏有向无环图边，在贝叶斯分层模型中推断时空数据的方向依赖，有效提升了非平稳时空建模的可解释性与可扩展性。
2024-07-29 stat.ME
Bayesian nonparametric clustering for spatio-temporal data, with an application to air pollution
本文回顾了贝叶斯非参数聚类方法在时空数据中的应用，重点介绍空间乘积划分模型，并在意大利北部PM10数据上验证其识别污染模式的能力，为环境风险评估提供见解。
2025-05-30 stat.AP stat.ME
A spatiotemporal analysis of participatory sensing data "tweets" and extreme climate events toward real-time urban risk management
实时城市气候监测提供了有用的信息，可用于帮助监测和适应极端事件，包括城市热浪。监测气候数据的典型方法包括气象站监测和遥感。然而，气候监测站往往在空间上分布稀疏，因此，这对揭示城市内部极端气候造成的暴露风险的能力产生了重大影响。此外，传统的遥感数据源通常不能实时接收和分析，而这往往是适应性城市管理极端气候（如突发热浪）所必需的。幸运的是，最近的社交媒体，如Twitter，提供了实时和高分辨率的空间信息，这些信息可能对气候状况估计有用。本研究的目的是利用带有地理标签的推文（参与式传感数据）进行城市温度分析。我们首先检测与热度相关的推文（hot-tweets）。然后，我们通过一个基于Copula建模方法的统计模型框架，研究了监测温度和热推之间的关系。我们证明，有很强的关系之间的“热推”和温度记录在城市内部的规模。随后，我们研究了“热推”通知温度的时空高斯过程插值的应用作为“热推”的应用实例。我们利用空间稀疏的天气监测传感器数据和空间和时间密集的低质量的twitter数据的组合。在这里，应用空间最佳线性无偏估计技术。研究结果表明，推文为城市气候评价提供了一些有用的辅助信息。最后，有效性的推文对实时城市风险管理的结果进行了讨论。
2015-09-17 stat.AP
An Evolutionary Spectrum Approach to Incorporate Large-scale Geographical Descriptors on Global Processes
我们介绍了一个非平稳的时空统计模型的网格数据的球体。该模型指定了一个计算方便的协方差结构，依赖于异构地理。广泛使用的球面域上的统计模型对于不同纬度是非平稳的，但是在相同纬度是平稳的（轴对称）。这一假设被认为对地表温度等数量的限制太大，因为地表温度的统计行为受到陆地和海洋等大尺度地理描述符的影响。我们提出了一个进化谱的方法，能够占不同的制度在地球的地理，并导致在一个更一般和灵活的类模型，大大优于轴对称模型和捕获纵向模式，否则将被假定为常数。该模型可以在多步条件似然近似中进行估计，该近似保留了非平稳特征，同时允许轻松的分布式计算：我们展示了如何在不到一天的时间内在最先进的工作站上完成大于2000万数据的数据集的拟合。一旦参数被估计，就可以从普通笔记本电脑即时生成替代运行。此外，从统计模型得到的估计可以被认为是整个初始条件集合的空间-时间特性的综合描述（即压缩）。与传统的逐位压缩气候模型运行信息的算法相比，所提出的方法实现了更高的压缩率。
2016-02-24 stat.AP
Separable spatio-temporal kriging for fast virtual sensing
环境监测是一项需要用有限的传感器读数替代系统范围信息的任务。在邻近原则下，环境监测系统可以基于虚拟感测逻辑，然后依赖于基于距离的预测方法，例如$k$ -最近邻、逆距离加权回归和时空克里金法。最后一个是繁琐的大型数据集，但我们表明，一个合适的可分性假设降低其计算成本的程度比考虑到目前为止。只有空间插值需要以集中的方式执行，而预测可以委托给每个传感器。这种简化主要与涉及两个独立模型的事实有关，一个在时间域，一个在空间域。在复合似然法下，这两个模型中的任何一个都可以被替换，而无需重新估计另一个。此外，使用方便的空间和时间模型简化了计算。我们表明，克里金法的这种观点允许执行虚拟传感，即使在高大的数据集的情况下。
2022-03-31 stat.AP
Reduced-rank spatio-temporal modeling of air pollution concentrations in the Multi-Ethnic Study of Atherosclerosis and Air Pollution
流行病学文献中越来越多的证据表明空气污染与不良健康结果之间的关系。在环境保护局（EPA）资助的动脉粥样硬化和空气污染的多种族研究（MESA空气）研究中，个人空气污染暴露的预测依赖于一个灵活的时空预测模型，该模型将土地利用回归与克里格法相结合，以考虑污染物浓度的空间依赖性。时间变异性捕获使用时间趋势估计通过修改奇异值分解和随时间变化的空间残差。该模型利用来自现有监管网络的监测数据和MESA空气监测补充数据来预测单个群组成员的浓度。在一般情况下，时空模型是有限的，由于计算的棘手性，在其大数据集的功效。我们开发的MESA空气时空模型的降阶版本。要做到这一点，我们应用低秩克里金占空间变化的平均过程，并讨论这种方法的局限性。作为一种替代方案，我们表示空间变化使用薄板回归样条。我们比较了使用EPA和MESA空气监测数据预测的氮氧化物（NO $_x$）的浓度的概述模型的性能-在MESA空气中的主要利益的污染物-在洛杉矶大都市区通过交叉验证的$R^2$。我们的研究结果表明，在某些情况下，使用降秩模型可以提高计算效率。低秩克里金法和薄板回归样条在所考虑的配方中具有竞争力，尽管TPRS在某些情况下似乎更稳健。
2015-02-03 stat.AP
Spatio-temporal models with space-time interaction and their applications to air pollution data
对空气污染状况有清楚的了解，并为公众和环境研究人员提供有关空气质量的预测和见解是至关重要的。以前的时空模型研究表明，即使是短期暴露于高浓度的大气细颗粒物也会对普通人的健康造成危害。在这项研究中，我们开发了一个时空模型的空气污染数据的时空相互作用。该模型使用了一个参数的时空相互作用组件以及空间和时间的平均结构的组成部分，并引入了一个随机效应的零均值时空过程的形式指定的组件。为了应用，我们分析了台湾66个监测站的空气污染数据（PM2.5）。
2017-12-31 stat.ME
A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data
Oberlin College and Conservatory（欧柏林学院与音乐学院）；University of Houston - Downtown（休斯顿大学市中心分校）
针对传统空气质量监测数据时空覆盖不足的问题，本研究基于PurpleAir传感器数据对比多类地统计与机器学习模型的PM₂.₅时空预测效果，发现融合时空依赖的集成模型校正数据偏差后预测精度更优。
2026-02-26 stat.AP stat.ML
DeepMIDE: A Multi-Output Spatio-Temporal Method for Ultra-Scale Offshore Wind Energy Forecasting
Department of Industrial Engineering, Clemson University（克莱姆森大学工业工程系）；Department of Computer Science, Rutgers University（罗杰斯大学计算机科学系）；Department of Statistics, Rutgers University（罗杰斯大学统计学系）；Department of Industrial & Systems Engineering, Rutgers University（罗杰斯大学工业与系统工程系）；University College, Korea University（韩国大学大学学院）
针对海上风电超大规模化对多高度风速预测的需求，提出多输出时空方法DeepMIDE，通过联合建模空间、时间和高度维度的风速，结合物理平流向量，在真实数据上预测性能优于主流方法。
2025-11-15 cs.LG stat.AP stat.ML
Prediction with Spatio-temporal Point Processes with Self Organizing Decision Trees
我们研究的时空预测问题，这引起了许多研究人员的关注，由于其关键的现实生活中的应用。特别是，我们介绍了一种新的方法来解决这个问题。我们的方法是基于霍克斯过程，这是一个非平稳和自激点过程。我们扩展了一个标准的点过程模型，可以表示时间序列数据表示的时空数据的配方。我们将数据建模为时间和空间上的非平稳数据。此外，我们分区的空间区域，我们正在通过一个自适应决策树的子区域和模型的源统计在每个子区域与个人，但相互作用的点过程。我们还提供了一个基于梯度的点过程和决策树参数的联合优化算法。因此，我们引入了一个模型，可以联合推断源统计和自适应分区的空间区域。最后，我们提供了对真实数据的实验结果，与文献中的标准知名方法相比，由于空间自适应和联合优化，它提供了显着的改进。
2020-07-05 cs.LG stat.ML
A Bayesian spatio-temporal model of panel design data: airborne particle number concentration in Brisbane, Australia
本文概述了一种方法，半参数时空建模的数据，这是密集的时间，但稀疏的空间，从一个分裂的面板设计，最可行的方法，以有限的设备覆盖空间和时间。这些数据是每小时平均颗粒数浓度（PNC），并作为交通排放和儿童健康（UPTECH）项目的一部分收集。在布里斯班大都会区的一些政府小学进行了为期两周的连续测量。监测设备按顺序运到每所学校。学校的数据得到了澳大利亚布里斯班三个地点长期监测站的数据的补充。拟合模型有助于描述UPTECH学校和长期监测点的空间和时间变化。的时间变化是分层建模与惩罚随机游动条款，一个共同的所有网站和一个长期占剩余的时间趋势在每个网站。参数估计和它们的不确定性在计算效率高的近似贝叶斯推断环境R-INLA中计算。该模型的时间部分解释了学校PNC的每日和每周周期，可用于估计学童对车辆排放的超细颗粒（UFP）的暴露。在每个学校和长期监测点，PNC的峰值可以归因于上午和下午的交通高峰和新的颗粒物形成事件。该模型的空间组成部分描述了学校之间的平均PNC在每个学校和每个学校内的变化。它示出了如何可以扩展的空间模型，以确定在城市规模的空间格局，包括更多的空间位置。
2013-02-06 physics.ao-ph physics.data-an stat.AP
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
Real-time monitoring with RCA models
University of Utah（犹他大学）；University of Leicester（莱斯特大学）；University of Pavia（帕维亚大学）
本文提出基于WLS残差CUSUM过程的加权统计量，用于RCA模型中实时检测突变点，推导了无突变点下的渐近性，适用于开放和封闭监测，并扩展到外生回归器情况，适用于检测泡沫或流行病的开始与结束。
2023-12-18 econ.EM stat.ME
Monitoring pollution pathways in river water by predictive path modelling using untargeted GC-MS measurements
提出整合 PARAFAC2 非靶向 GC-MS 筛查与 Process PLS 时空路径建模的方法，在莱茵河9个站点追踪并初步识别已知及未知潜在污染物。
2022-11-02 stat.AP
Deep spatio-temporal point processes: Advances and new directions
Department/Institute, University, City, Country, Postal code（大学院系）
本文综述了深度时空点过程中深度影响核方法的最新进展，重点介绍其结合统计可解释性与强大表达能力的建模框架、估计方法及可扩展性，并展望了在犯罪分析、余震预测和脓毒症建模等领域的应用前景。
2025-08-22 cs.LG math.ST stat.ML
Human Daily Activities Indexing in Videos from Wearable Cameras for Monitoring of Patients with Dementia Diseases
我们的研究重点是根据已知的行为主义场景分析人类活动，在嘈杂和高维收集数据的情况下。这些数据来自可穿戴摄像头对痴呆症患者的监测。我们定义了一个基于隐马尔可夫模型的视频记录的结构模型。提出了新的时空特征、颜色特征和定位特征作为观测值。在确认活动方面取得的初步成果是有希望的。
2010-07-23 cs.MM stat.ML
A nonstationary spatial model of PM2.5 with localized transfer learning from numerical model output
University of Houston - Downtown（休斯顿大学道尔顿分校）；North Carolina State University（北卡罗来纳州立大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出一种基于数值模型输出的非平稳空间模型，通过局部迁移学习构建全局非平稳协方差结构，以提高贝叶斯模型的计算效率和可扩展性。
2026-02-27 stat.AP stat.CO stat.ME
Spatiotemporal Pyramid Flow Matching for Climate Emulation
Stanford University（斯坦福大学）；Cornell University（康奈尔大学）；University of California, San Diego（加州大学圣地亚哥分校）
本文提出时空金字塔流匹配方法，用于高效、准确的多时间尺度气候模拟，并通过ClimateSuite数据集验证其有效性。
2025-12-01 cs.AI cs.CV cs.LG
Learning Spatiotemporal Dynamical Systems from Point Process Observations
Aalto University（阿尔托大学）
本文提出一种融合神经常微分方程、神经点过程、隐式神经表示与摊销变分推断的新方法，从随机时空点过程观测中学习动力学，在预测精度和计算效率上优于现有模型。
2025-02-08 cs.LG stat.ML
$\textsf{S}^3T$: An Efficient Score-Statistic for Spatio-Temporal Surveillance
我们提出了一种高效的分数统计量，称为$\textsf{S}^3 \textsf{T}$统计量，用于检测来自固定样本或序列数据的空间和时间相关信号的出现。该信号可以引起协方差结构的移位和/或改变。分数统计量可以捕获变化的空间和时间结构，因此在检测弱信号方面特别强大。得分统计是计算效率和统计功能强大。我们的主要理论贡献是准确的分析近似的虚警率的检测程序，它可以用来校准阈值分析。模拟和真实数据的数值实验表明，我们的太阳火焰检测和水质监测程序的良好性能。
2018-04-12 math.ST stat.TH
Scalable modeling of nonstationary covariance functions with non-folding B-spline deformation
我们提出了一种非平稳协方差函数建模的方法，基于Sampson和Guttorp [1992]的空间变形方法，但使用低秩，可伸缩的变形函数写为B样条基的张量积的线性组合。这种方法解决了当前计算方面的两个重要弱点。首先，它允许将估计的2D变形约束为2D中的非折叠（双射）。到目前为止，模型的这一要求仅通过任意水平的空间平滑来解决。第二，具有紧凑支持的基函数使得能够应用于环境数据的空间监测站点的大数据集。在巴西东南部的降雨数据的应用程序说明了该方法
2020-07-01 stat.ME
Kriformer: A Novel Spatiotemporal Kriging Approach Based on Graph Transformers
Southwestern University of Finance and Economics（西南财经大学）；Sichuan University（四川大学）；Dongbei University of Finance and Economics（东北财经大学）
针对稀疏传感器部署导致的数据估计难题，提出基于图Transformer的时空克里金模型Kriformer，通过位置编码、时空注意力及随机掩码机制有效捕获时空相关性，在真实交通数据集上验证了其卓越性能。
2024-09-23 cs.LG stat.ML
Bayesian Nonstationary Spatial Modeling for Very Large Datasets
随着安装在卫星、飞机、地面车辆和监测站上的现代高分辨率测量仪器的激增，出现了对适用于分析在大空间域上观测到的大空间数据集的统计方法的需求。此类数据集的统计分析带来了两个主要挑战：首先，传统的空间统计技术通常无法以计算可行的方式处理大量观测结果。其次，对于大的和异构的空间域，它往往是不适当的，假设一个感兴趣的过程是固定在整个域。我们解决了第一个挑战，通过使用一个模型相结合的低秩组件，它允许通过一组空间基函数的中长期依赖的灵活建模，与锥形的剩余部分，它允许使用compensated支持的协方差函数的本地依赖建模。为了解决第二个挑战，我们提出了两个扩展这个模型，从而增加了灵活性：首先，该模型是基于非平稳Matern协方差参数化，其中参数在空间上平滑变化。其次，在我们的完全贝叶斯模型中，所有的成分和参数都被认为是随机的，包括低秩成分中使用的基函数的数量、位置和形状。使用模拟数据和真实世界的高分辨率土壤测量数据集，我们表明，这两个扩展可以导致在当前最先进的大幅改善。
2012-12-21 stat.AP stat.CO stat.ME
Improving Spatio-temporal Gaussian Process Modeling with Vecchia Approximation: A Low-Cost Sensor-Driven Approach to Urban Environmental Monitoring
Ecole des Mines de Paris（巴黎高等矿业学院）；Vedecom；Université Gustave Eiffel（巴黎-塞纳河大学）；Estaca（ESTACA工程学院）
本文提出一种低成本传感器驱动的城市环境监测方法，通过改进Vecchia近似法提高空间-时间高斯过程建模的效率与准确性。
2025-11-27 stat.ME
High-Resolution Retrieval of Atmospheric Boundary Layers with Nonstationary Gaussian Processes
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Argonne National Laboratory（阿贡国家实验室）
本文提出利用非平稳高斯过程建模，实现高分辨率的大气边界层高度检索，以提高对大气边界层结构和演变的表征精度。
2025-12-03 physics.ao-ph stat.CO 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
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
Scalable generative modeling of non-Gaussian spatio-temporal fields via autoregressive Gaussian processes
Texas A&M University（德克萨斯农工大学）；University of Houston（休斯顿大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
提出一种基于自回归高斯过程和输运图的生成建模方法，用于非高斯时空场，通过条件分布乘积和稀疏性实现可扩展性，并在千万级气候数据上验证了准确性与效率。
2026-10-02 stat.ME
Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities
Sequoia Research Corporation（红杉研究公司）
本文针对非平稳高斯过程模型易过拟合等问题，受SBAS电离层建模启发，提出协方差增强高斯过程（CBGP）框架，通过增强协方差先验等方法发现潜在函数，经测试证明其有效性和鲁棒性，能在复杂环境中准确计算电离层校正。
2026-08-26 cs.LG physics.space-ph stat.ME
Statistical process monitoring of artificial neural networks
Leibniz University Hannover（莱布尼茨汉诺威大学）；LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学校，巴黎综合理工学院）
针对人工神经网络部署中数据平稳性难以实时低耗监控的问题，提出基于嵌入的多元控制图监控方法，通过数据深度和归一化秩检测非平稳性，在多架构多数据格式下与基准方法对比验证性能。
2023-07-27 cs.LG stat.AP stat.ME
An Efficient Class of Bayesian Generalized Quadratic Nonlinear Dynamic Models with Application to Birth Rate Monitoring
针对出生率等非线性时空过程建模的计算难题，提出基于Frobenius范数匹配的协方差校准策略，利用EPR模型高效实现非线性动态建模，避免了MCMC的计算困难。
2025-06-27 stat.ME
