Bayesian spatio-temporal weighted regression for integrating missing and misaligned environmental data
Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）；School of Environmental Sciences, University of Toronto（多伦多大学环境科学学院）
本文提出了一种贝叶斯加权回归框架，用于整合缺失和错位的环境数据，通过空间时间核和数值近似方法提高预测精度和鲁棒性。
2025-12-29 stat.AP stat.ME
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
A Bayesian aoristic logistic regression to model spatio-temporal crime risk under the presence of interval-censored event times
本文提出一种贝叶斯无时态逻辑回归时空模型，用于处理犯罪事件时间区间删失的不确定性，并在西班牙瓦伦西亚住宅入室盗窃数据上验证其优于丢弃不确定事件的完整案例模型。
2023-04-12 stat.AP stat.ME
Bayesian spatio-temporal epidemic models with applications to sheep pox
流行病数据通常具有某些特征，例如存在许多零、疾病传播机制的空间性质或环境噪声。本文通过适当的贝叶斯建模来解决这些问题。在这样做时，我们利用随机回归模型适合于时空计数数据与多余的零。所开发的回归框架可以通过Ornstein Uhlenbeck过程制定将序列相关和随时间变化的协变量。此外，我们探讨了不同的先验，包括默认选项和技术的基础上的变化的混合物的$g$先验的影响。不同的距离核的流行病模型组件的效果进行了研究。我们继续开发基于分支过程的方法来测试疾病控制的场景，从而将传统的时空模型与流行病过程联系起来，这在以政策为中心的决策中很有用。该方法说明了一个应用程序的羊痘数据集从埃夫罗斯地区，希腊。
2014-03-07 stat.AP
Bayesian spatiotemporal conditional autoregressive model for local temporal variations
Graduate School of Social Sciences, Chiba University（千叶大学社会科学研究生院）；Department of Mathematics, Hiroshima University（广岛大学数学系）
本文提出一种基于条件自回归模型的贝叶斯时空建模框架，通过结合空间邻近和时间相邻信息实现局部自适应时间平滑，并开发吉布斯采样算法，数值实验验证其能有效适应局部时间变化。
2026-09-09 stat.ME
Scalable Spatiotemporal Prediction with Bayesian Neural Fields
Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）
针对时空数据集规模扩大对灵活且可扩展统计方法的需求，本文提出贝叶斯神经场（BayesNF）模型，整合深度神经网络与分层贝叶斯推理，在气候、公共卫生数据预测等任务中提升性能并提供开源工具。
2024-11-26 cs.AI cs.LG stat.AP
A Bayesian Spatio-Temporal Model of Temperature- and Humidity-Related Mortality Using High-Resolution Climate Data
本研究提出一种扩展的贝叶斯时空疾病制图模型，利用奥地利2002至2019年高分辨率气候与每周死亡率数据，通过空间-时间、空间-年龄和年龄-时间交互作用，量化温度、湿度、年龄和性别对死亡率的复杂影响，为公共卫生监测提供新见解。
2025-07-16 stat.AP
A Bayesian Approach for Spatio-Temporal Data-Driven Dynamic Equation Discovery
在科学和工程的各个领域中，微分方程都是基于物理原理来描述复杂动力系统的。通过在学术界和工业界的反复使用，这些方程已被证明能很好地代表现实世界的动态。由于这些复杂系统的真正动力学通常是未知的，学习控制方程可以提高我们对驱动系统的机制的理解。在这里，我们开发了一个贝叶斯方法，以数据驱动的发现非线性时空动态方程。我们的方法可以容纳测量噪声和缺失数据，这两者都是常见的在现实世界的数据，并占参数的不确定性。所提出的框架说明使用三个模拟系统与不同数量的观测不确定性和缺失数据和应用到一个真实世界的系统来推断的流函数的涡度的时间演变。
2022-09-06 stat.ME
A Bayesian spatio-temporal analysis of markets during the Finnish 1860s famine
我们开发了一个贝叶斯时空模型来研究19世纪60年代芬兰饥荒期间工业化前的粮食市场整合。我们的模型考虑到几个问题的特点，经常出现在分析多个空间相互依赖的时间序列。例如，与计量经济学中常用的误差修正方法相比，我们的方法允许同时对多个相互依赖的时间序列进行建模，避免了预先确定市场领导者作为参考点所需的繁琐的统计测试。此外，引入灵活的时空结构，可以分析市场机制的详细区域和时间动态。应用所提出的方法，我们检测到了从冲击起源传播的空间非对称“价格涟漪”。我们证实了现有的文献在饥荒期间出现的价格差异的快速调整，但我们观察到这主要是在城市市场。这种加速回归长期均衡意味着价格冲击的传播速度更快、时间更长，这意味着长期的失衡动态、市场冲击的扩散影响，以及更重要的是，更广泛的饥荒状况。
2022-04-12 stat.AP
Spatio-temporal Bayesian On-line Changepoint Detection with Model Selection
University of Warwick（华威大学）；The Alan Turing Institute for Data Science & AI（艾伦·图灵数据科学与人工智能研究所）
将贝叶斯在线变点检测方法推广到在线模型选择和非平稳时空过程。我们提出了空间结构的向量自回归（VAR）模型之间的变化点（CP）的过程，并给出了这样的模型的近似误差的上限。该算法在线完成预测、模型选择和CP检测。它的时间复杂度是线性的，空间复杂度是常数，因此它比最接近的竞争对手快两个数量级。此外，它优于多元数据的最新技术水平。
2018-06-06 cs.LG stat.ME stat.ML
A Bayesian change point model for spatio-temporal data
众所周知，一个地区的城市化会增加周围地区的温度。这种现象-所谓的城市热岛（UHI）-在一段时间内发生在地方一级，并对历史数据分析产生持久影响。我们提出了一种方法来检查，如果长期变化的温度上升和下降，随着时间的推移存在（以及在何种程度上）在当地一级的一组给定的温度读数在不同的位置。具体来说，我们提出了一个贝叶斯变点模型的时空相关的数据，我们选择在每个位置的变化点的数量使用“向前”的选择过程中，使用偏差信息标准（DIC）。然后，我们拟合选定的模型，并检查随时间变化的线性斜率，以量化长期温度行为的变化。我们使用的合成数据集和温度测量，从犹他州的8个站组成的每日温度数据60年，这个模型和方法的实用性。
2021-07-29 stat.ME
Bayesian modeling and clustering for spatio-temporal areal data: An application to Italian unemployment
时空面状数据可以看作是一组时间序列，这些序列在空间上按照特定的相邻结构相互关联。将时间和空间维度扩展到统计模型中对基本理论框架以及高效计算方法的实现提出了挑战。我们建议包括时空随机效应使用的条件自回归先验，其中的时间相关性是通过自回归均值分解和空间相关性的精度矩阵继承相邻结构建模。它们的联合分布构成高斯马尔可夫随机场，其稀疏精度矩阵使得能够使用有效的采样算法。我们使用非参数先验对面积单元进行聚类，从而学习面积单元的潜在分区。该模型的性能进行评估，通过应用程序来研究在意大利的区域失业模式。与其他空间和时空竞争对手相比，该模型显示出更精确的估计，从聚类中获得的额外信息可以对意大利各省的失业率进行扩展的经济解释。
2022-11-19 stat.ME
Spatio-temporal spread of COVID-19 and its associations with socioeconomic, demographic and environmental factors in England: A Bayesian hierarchical spatio-temporal model
本研究基于英格兰 MSOA 层面的周度病例数据构建贝叶斯分层时空模型，识别 COVID-19 感染率的异质时空聚集及其社会经济、人口与环境风险因素，预测表现优于 OLS 和 GWR。
2023-08-18 stat.AP
Learning Localized Spatio-Temporal Models From Streaming Data
Uppsala University（乌普萨拉大学）
我们解决的问题，预测时空过程的时间模式，不同的空间区域，当数据作为流获得。也就是说，当训练数据集按顺序增加时。具体来说，我们开发了一个本地化的时空协方差模型的过程中，可以捕捉空间变化的时间周期性的数据。然后，我们应用协方差拟合方法来学习模型参数，从而产生一个预测器，该预测器可以随每个新数据点顺序更新。所提出的方法进行评估，使用合成和真实的气候数据，证明其能够准确地预测数据丢失的空间区域随着时间的推移。
2018-06-22 cs.LG stat.ML
A Bayesian Spatio-Temporal Level Set Dynamic Model and Application to Fire Front Propagation
强烈的野火会影响自然、人类和社会，对财产和生态系统造成灾难性的破坏，并造成生命损失。预测野火前沿的传播是必不可少的，以支持消防工作和计划疏散。水平集方法已被广泛用于分析表面、形状和边界的变化。特别是，水平集方法中使用的带符号距离函数可以很容易地解释为表示复杂的边界及其随时间的变化。虽然在野火应用中有大量关于水平集方法的文献，但这些实现依赖于用于传播速率的高度参数化的公式。这些实现通常没有考虑不确定性量化或合并数据驱动学习。在这里，我们提出了一个基于水平集的贝叶斯时空动态模型，该模型可用于在存在不确定数据和缺乏边界速度知识的情况下预测感兴趣的边界。该方法依赖于一个机械动机的水平集的动态模型和一个随机的时空动态模型的前速度。我们通过模拟和预测两个经典的加州特大火灾-2017-2018年托马斯火灾和2017年Haypress的火灾前沿边界演变来证明我们的方法的有效性。
2022-10-26 stat.ME
StreamEnsemble: Predictive Queries over Spatiotemporal Streaming Data
LNCC（巴西国家计算科学实验室）；CEFET/RJ（里约热内卢联邦教育、科学和技术中心）；Inria（法国国家信息与自动化研究所）；University of Montpellier（蒙彼利埃大学）；CNRS（法国国家科学研究中心）；LIRMM（蒙彼利埃电子与计算机科学实验室）
针对时空数据流分布随空间和时间变化的问题，提出StreamEnsemble，依据时间序列分布与模型特征动态选择和分配模型，在准确率、耗时及预测误差上显著优于传统集成和单模型方法。
2024-09-30 cs.AI cs.LG stat.ML
A Bayesian time-varying random partition model for large spatio-temporal datasets
Politecnico di Milano（米兰理工大学）；IE University（IE大学）；University of Klagenfurt（克拉根福大学）；Pontificia Universidad Católica de Chile（智利天主教 Pontificia 大学）
本文提出一个半参数化分层贝叶斯模型，用于处理具有时空相关性的区域数据，通过时间变化和基于空间模型的聚类方法，探讨不同时间段的模式变化。
2026-04-24 stat.ME
Bayesian spatiotemporal modelling of political violence and conflict events using discrete-time Hawkes processes
Queensland University of Technology（昆士兰科技大学）；The Walter and Eliza Hall Institute of Medical Research（沃尔特和伊莱萨霍尔医学研究所）；Information Management, International Federation of the Red Cross Red Crescent Societies (IFRC)（红十字会与红新月会国际联合会信息管理）；CNRS, UMR 7534, Université Paris-Dauphine, PSL University（法国国家科学研究中心，UMR 7534，巴黎第九大学，PSL大学）
本文提出一种基于离散时间Hawkes过程的贝叶斯时空模型，用于更准确地监测政治暴力与冲突事件的风险，提升对时空模式的理解并改进预防措施。
2026-02-03 stat.AP
Modeling Spatio-Temporal Dynamics of Obesity in Italian Regions Via Bayesian Beta Regression
Università di Milano-Bicocca（米兰比可卡大学）；Università degli studi di Bergamo（贝加莫大学）
本文通过贝叶斯分层贝塔回归模型分析意大利地区2010-2022年肥胖率的时空动态，识别空间和时间趋势，评估异质性，发现性别和空间相关性对肥胖动态至关重要。
2026-03-30 stat.AP
A Bayesian Spatio-Temporal Top-Down Framework for Estimating Opioid Use Disorder Risk Under Data Sparsity
本文提出贝叶斯分层时空自顶向下框架，在县级数据缺失时利用州级OUD率和多级协变量估计美国3143个县的阿片类药物使用障碍风险并量化不确定性。
2025-06-02 stat.AP
Bayesian Design for Sampling Anomalous Spatio-Temporal Data
本研究提出一个结合异常检测的贝叶斯最优实验设计框架，通过异常生成、检测和错误评分来优化数据收集，在空间和时空河流网络数据集上验证了其能平衡预测精度与异常检测性能，从而获取更可信数据。
2024-03-16 stat.AP
Bayesian spatio-temporal exposure modelling of air pollution in Rome, Italy, and short-term effects on cause-specific mortality
Sapienza University of Rome（罗马大学）；Lazio Region Health Service/ASL Roma 1（拉齐奥大区卫生局/罗马第一地方卫生局）
本研究构建贝叶斯时空模型预测罗马1公里分辨率的NO₂、PM₁₀和PM₂.₅日浓度，通过病例交叉法分析发现这些污染物暴露与自然原因死亡率正相关，模型可用于城市空气污染健康研究。
2026-08-25 stat.AP
Bayesian Recurrent Neural Network Models for Forecasting and Quantifying Uncertainty in Spatial-Temporal Data
递归神经网络（RNN）是机器学习和动态系统文献中常用的非线性动态模型，用于表示变量之间的复杂动态或顺序关系。最近，随着深度学习模型变得越来越普遍，RNN已被用于预测越来越复杂的系统。动态时空过程代表了一类复杂的系统，可以从这些类型的模型中受益。尽管RNN文献广泛且高度发达，但不确定性量化常常被忽视。即使在考虑时，不确定性通常也没有使用严格的框架（例如完全贝叶斯设置）进行量化。在这里，我们试图在一个更正式的框架中量化不确定性，同时保持预测的准确性，使这些模型具有吸引力，通过提出一个贝叶斯RNN模型的非线性时空预测。此外，我们对基本RNN进行了简单的修改，以帮助适应非线性时空数据的独特性质。该模型被应用到洛伦兹模拟和两个现实世界的非线性时空预测应用。
2018-02-07 stat.ME stat.ML
Data-Driven Modeling of Wildfire Spread with Stochastic Cellular Automata and Latent Spatio-Temporal Dynamics
本文提出结合动态邻域、潜在时空过程与空间基函数的贝叶斯随机元胞自动机，实现野火蔓延预测及逐状态不确定性量化，并在可控燃烧案例中验证。
2023-06-05 stat.AP
Nonstationary, Nonparametric, Nonseparable Bayesian Spatio-Temporal Modeling Using Kernel Convolution of Order Based Dependent Dirichlet Process
在这篇文章中，使用基于阶的依赖Dirichlet过程（Griffin and Steel（2006））的核卷积，我们构造了一个非平稳、不可分、非参数时空过程，正如我们所证明的，它满足期望的性质，并包括平稳、可分、参数过程作为特例。我们还研究了我们提出的模型的平滑特性。由于我们的模型需要一个无限的随机序列，为了贝叶斯模型拟合的目的，我们必须截断序列或更适当地考虑一个随机数的被加数，这使得模型维度成为一个随机变量。我们使用由Das和Bhattacharya（2019 b）引入的基于跨维变换的马尔可夫链蒙特卡罗来解决变量维数问题，该方法可以更新所有变量，并且还可以使用从定义在相关支持上的任意密度中提取的单个随机变量来改变单个块中的维数。为了完整性，我们还解决了截断无穷级数的问题，通过提供截断无穷级数所产生的误差的统一界。我们在模拟数据集上说明了我们的模型和方法的有效性，并证明我们的方法明显优于Fuentes和Reich（2013）的方法，后者基于与我们类似的原理。我们还适合两个真实的，空间和时空数据集与我们的方法，并获得了相当令人鼓舞的结果，在这两种情况下。
2020-05-01 stat.ME
Distributed and recursive Bayesian inference for Big Data and complex spatio-temporal models
Swiss Ornithological Institute（瑞士鸟类研究所）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对计量经济学等领域数据带来的挑战，引入基于INLA方法、用R-INLA软件实现的分布式递归推理贝叶斯框架，通过分区降低计算复杂度，经案例研究验证其有效性，为现代贝叶斯推理提供实用工具。
2026-07-28 stat.ME
Bayesian spatio-temporal model with INLA for dengue fever risk prediction in Costa Rica
本文针对哥斯达黎加登革热风险预测问题，提出基于INLA的贝叶斯时空模型，利用该国微气候和DENV地方性流行条件构建气候驱动的早期预警系统，为公共卫生干预提供支持。
2023-02-13 stat.AP
Ride-sharing Determinants: Spatial and Spatio-temporal Bayesian Analysis for Chicago Service in 2022
本研究采用两个贝叶斯模型分析2022年芝加哥77个社区区域的共享出行需求，发现人口规模、犯罪、收入、经济活跃比例、无车居民及公共交通可用性和步行指数是关键决定因素，时空模型拟合值与实际值的平方相关系数达0.95。
2025-03-27 stat.AP stat.OT
Bayesian Belief Updating of Spatiotemporal Seizure Dynamics
癫痫发作活动在空间和时间上表现出复杂的动力学。为了了解癫痫发作的演变和传播，需要分析空间上广泛的数据集。我们之前已经描述了一种使用变分拉普拉斯的有效滤波方案，该方案可用于动态因果建模（DCM）框架[Friston，2003]，以估计使用侵入性或非侵入性电记录（EEG/ECoG）记录的癫痫发作的时间动态。使用偏微分方程对时空动态进行建模-与我们先前关于癫痫发作动态时间估计的工作中使用的常微分方程相反[Cooray，2016]。我们提供了必要的理论背景的方法，并测试随后的计划在模拟癫痫发作活动数据和经验侵入性ECoG数据。该方法提供了一个框架来同化癫痫发作活动的空间和时间动态，这是具有重要生理和临床意义的一个方面。
2017-11-12 cs.NE stat.ME stat.ML
CloudLSTM: A Recurrent Neural Model for Spatiotemporal Point-cloud Stream Forecasting
The University of Edinburgh（爱丁堡大学）
本文介绍了CloudLSTM，这是一个新的递归神经模型分支，专门用于预测地理空间点云源生成的数据流。我们设计了一个动态点云卷积（DConv）算子作为CloudLSTM的核心组件，它直接在点云上执行卷积，并从围绕输入的不同元素的相邻点集合中提取局部空间特征。该算子保持了序列到序列学习框架的排列不变性，同时表示每个时间步的相邻相关性-时空预测学习的一个重要方面。DConv算子解决了现有时空预测模型的网格结构数据需求，并且可以通过序列到序列学习和注意力机制轻松插入传统的LSTM架构。我们将我们提出的架构应用于两个涉及点云流的代表性实际用例，即，流动服务交通预测及空气质素指标预测。我们的结果是通过在每个用例的不同场景中收集的真实数据集获得的，结果表明CloudLSTM提供了准确的长期预测，优于各种竞争对手的神经网络模型。
2021-02-21 cs.LG stat.ML
Nonlocal Bayesian Modeling of Continuous Spatio-Temporal Dynamics
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST)（工业与系统工程系，韩国科学技术院）
提出NLBST模型，通过坐标基展开和连续时间ODE结合非局部积分微分方程，实现不规则观测下的连续时空预测与不确定性量化。
2026-06-15 cs.LG stat.ML
Integrating Temporal Disaggregation and Distributed Lag Nonlinear Models for Bayesian Spatio-Temporal Disease Mapping with High-Resolution Environmental Exposures
KU Leuven（荷语鲁汶大学）；Hasselt University（哈瑟尔特大学）；Clinton Health Access Initiative（克林顿健康准入倡议）；National Malaria Control Program, Ministry of Health（卫生部国家疟疾控制项目）；University of Birmingham（伯明翰大学）
该研究提出整合时间分解与分布滞后非线性模型的贝叶斯时空框架，结合高分辨率环境暴露开展疟疾制图，在莫桑比克数据上验证其提升了预测精度，可用于研究环境延迟效应并扩展至多类疾病。
2026-08-21 stat.AP
A Bayesian spatio-temporal nowcasting model for public health decision-making and surveillance
针对COVID-19报告延迟导致的趋势误判问题，提出贝叶斯时空即时预测模型，在俄亥俄州县级数据上优于现有方法，兼顾性能与可解释性，并全面量化不确定性。
2021-02-08 stat.AP
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
A Statistician's Overview of Physics-Informed Neural Networks for Spatio-Temporal Data
University of Missouri（密苏里大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文从统计学家视角综述物理信息神经网络（PINNs）在时空数据中的应用，聚焦含机制信息的动态时空过程预测与推理，强调不确定性量化，提出将贝叶斯PINN纳入贝叶斯分层模型框架，并通过模拟验证其可行性。
2025-11-18 stat.ME
Cluster detection and risk estimation for spatio-temporal health data
在流行病学疾病绘图方面，目的是估计疾病风险的时空模式，并确定高风险集群，从而使卫生干预措施有适当的针对性。贝叶斯时空模型被用来估计平滑的风险面，但这与确定与其邻近地区相比风险较高的区域单元组的目的背道而驰。因此，在本文中，我们提出了一种新的贝叶斯分层建模方法，同时估计疾病风险，并确定高风险集群的空间和时间。该模型的推理是基于马尔可夫链蒙特卡罗模拟，使用免费提供的R软件包CARBayesST，已与本文一起开发。我们的方法是出于两个案例研究，其中第一个评估是否有公共卫生区和结肠癌集群之间的关系在格鲁吉亚，而第二个着眼于在英国的公共场所禁烟对心血管疾病集群的影响。
2014-11-10 stat.ME
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
Spatio-temporal circular models with non-separable covariance structure
循环数据出现在许多应用领域。最近，人们有兴趣研究在时间和空间上分别收集的循环数据。在这里，我们将这项工作的一些时空设置，引入时空依赖。我们容纳协变量，实施完整的克里金法和预测，并允许可能与时间相关的金块。我们在贝叶斯框架内工作，引入合适的潜在变量，以促进马尔可夫链蒙特卡罗（MCMC）模型拟合。贝叶斯框架使我们能够实现完整的推理，获得克里金和预测的预测分布。我们提供灵活性较低但更易于解释的包装高斯过程和更灵活但更易于解释的投影高斯过程之间的比较。我们这样做说明性地使用模拟数据和数据从计算机模型输出的波在亚得里亚海的意大利海岸的方向。
2017-04-17 stat.ME
Attention Filtering for Multi-person Spatiotemporal Action Detection on Deep Two-Stream CNN Architectures
Carnegie Mellon University（卡内基梅隆大学）；Instituto Superior Técnico（高等技术学院）
动作检测和识别任务由于其在安全、机器人和推荐系统等领域的广泛应用而成为计算机视觉界的研究热点。最近，像AVA这样的数据集提供了多人，多标签，时空动作检测和识别的挑战。一旦视觉任务涉及具有多个标签的多个人，则无法辨别输入的哪些部分用于分类是双流CNN方法的限制。我们解决了这一限制，并提高了双流CNN的最新性能。在本文中，我们提出了四个贡献：我们的中央凹的注意力过滤，突出目标的分类，而不丢弃背景;一个广义的二进制损失函数设计的AVA数据集; miniAVA，分区的AVA，保持时间连续性和类分布只有十分之一的数据集大小;和消融研究替代注意力过滤器。我们的方法，使用中央凹注意力过滤和我们的广义二进制损失，实现了相对视频mAP改善20%以上的两个流基线在AVA，是有竞争力的国家的最先进的UCF 101 -24。我们还显示了12.6%的相对视频mAP改善时，使用我们的广义二进制损失超过标准的总和S形。
2019-07-21 cs.CV cs.LG stat.ML
A spatiotemporal Bayesian hierarchical model of heat-related mortality in Catalonia, Spain (2012--2022): The role of environmental and socioeconomic modifiers
University of Girona（赫罗纳大学）；Universitat de Vic -- Central de Catalunya (UVic-UCC)（维克大学--加泰罗尼亚中部大学）
本研究利用时空贝叶斯模型分析了加泰罗尼亚2012-2022年极端高温对死亡率的影响，发现臭氧水平和社会经济因素显著增加了死亡风险，尤其是老年人群体。
2026-10-22 stat.AP
Infinite-dimensional Bayesian filtering for detection of quasi-periodic phenomena in spatio-temporal data
本文介绍了一种时空共振器模型和一种用于检测和估计时空数据中的近周期时间现象的推理方法。该模型是作为一个空间扩展的随机谐波谐振器模型，它可以制定在随机微分方程（ESTA）。空间结构包括通过引入线性算子，影响的振荡和阻尼，并通过选择适当的空间协方差结构的驱动时间白噪声过程。通过选择线性算子作为偏微分算子，谐振器模型变成了一个随机偏微分方程（SPDE），它与无限维卡尔曼滤波兼容。由此产生的无限维卡尔曼滤波问题允许计算有效的解决方案，因为计算成本与时间维度中的测量值成线性比例。这个框架适用于天气预测和生理噪声消除功能磁共振成像大脑数据。
2013-09-03 stat.CO
CauSTream: Causal Spatio-Temporal Representation Learning for Streamflow Forecasting
School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）；The ByWater Institute, Tulane University（泰勒沃特研究所，路易斯安那大学）
CauSTream通过因果时空表示学习提升径流预测精度，同时学习因果图以提供可解释的流域动态洞察。
2025-12-18 cs.AI cs.CE cs.LG
Bayesian inference for a spatio-temporal model of road traffic collision data
改善道路安全非常重要，因为世界道路上的死亡人数仍然高得令人无法接受;估计每年有135万人死亡（世卫组织，2020年）。目前处理碰撞热点的做法几乎总是被动的：一旦在某个预定的观察期内超过碰撞的阈值水平，就进行处理（例如道路安全摄像机）。然而，最近已经制定了一种方法来预测未来一段时间内潜在热点的碰撞次数，以期更积极主动地处理道路安全热点。动态线性模型为预测碰撞提供了一个灵活的框架，从而能够进行这种积极主动的处理。在本文中，我们演示了如何使用这样的模型来捕捉季节性变化和空间依赖性的时间过程中的碰撞率在几个位置。该模型允许内和外的样本预测的位置，充分观察和一些数据丢失的位置。我们说明了我们的方法使用碰撞率数据从8个交通管理区在北佛罗里达州，美国，并发现该模型提供了一个很好的描述的基本过程和合理的预测精度。
2023-02-01 stat.AP stat.CO
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
Mixed moving average field guided learning for spatio-temporal data
TU Chemnitz（开姆尼茨工业大学）；Ulm University（乌尔姆大学）；Imperial College（帝国理工学院）
本文针对混合移动平均场预测分布未知的问题，提出一种时空嵌入与广义贝叶斯算法相结合的理论引导机器学习方法，并给出PAC贝叶斯界，在时空Ornstein-Uhlenbeck模拟数据上验证了其因果预测性能。
2024-08-02 cs.LG math.ST stat.ML
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
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
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
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
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
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
SSNbayes: An R package for Bayesian spatio-temporal modelling on stream networks
时空模型被广泛应用于从生态学到流行病学的许多研究领域。然而，大多数协方差函数仅基于欧几里德距离来描述空间关系。在本文中，我们介绍了R包SSNbayes，用于拟合贝叶斯时空模型并对分支流网络进行预测。SSNbayes提供了一个线性回归框架，具有用于合并空间和时间自相关的多个选项。空间依赖性捕获流的距离和流量连接，而时间自相关建模使用向量自回归方法。SSNbayes提供了在整个网络中进行预测的功能，计算不确定性概率和其他概率估计，例如合适栖息地的比例。我们说明了使用流温度数据集收集在美国爱达荷州的包的功能。
2022-02-15 stat.CO stat.ME
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
