Bayesian regression with spatio-temporal varying coefficients
为了研究气候变量对墨西哥某些疾病发病率的影响，我们提出了一个时空变系数回归模型。为此，我们引入了一个新的时空相关过程先验，在贝叶斯上下文中，具有同分布的正态边缘分布和联合多元正态分布。我们研究了它的性质，并讨论了它的相关性。我们的研究结果表明，气候变量对特定疾病发病率的影响在空间和时间上并不恒定，我们提出的模型能够捕捉和量化这些变化。
2019-11-27 stat.AP
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
Copula-based spatio-temporal modeling of air pollutant data incorporating covariate dependencies
针对韩国PM10浓度超标的问题，提出结合协变量时空邻域的藤Copula时空建模方法，采用Gumbel和广义极值分布为边际分布，在极值预测上优于传统模型，可推广至多领域复杂依赖结构建模。
2025-03-20 stat.AP
Identifying Coherent Anomalies in Multi-Scale Spatio-Temporal Data using Markov Random Fields
许多物理过程涉及时空观测，可以在不同的空间和时间尺度上进行研究。例如，可以在日、月或年的时间尺度以及地方、网格、区域或国家的空间尺度上考虑雨量计每天测量的降雨量数据。在这项工作中，我们专注于在这样的多尺度时空数据的异常检测。我们认为一个异常的事件，在时空扩展区域的测量值是显着不同的，从他们的长期均值。然而，我们的目标是避免对测量值和时空大小设置任何阈值，因为不仅阈值是主观的，而且长期平均值通常在空间和时间上变化。为此，我们使用时空马尔可夫随机场，其中潜在状态指示异常类型（正异常，负异常，无异常/正常）。通过适当的边缘电位保持时空相干性。该模型被扩展到多个时空尺度，以实现我们的第二个目标：在任何规模的异常应定义在该规模的数据，并在其他规模的异常。这使我们能够从粗尺度到细尺度追踪异常。例如，某一年的降雨量在某一地区是否异常，不仅应取决于整个地区的降雨总量，还应取决于在网格尺度和月尺度上是否存在这种异常。我们使用这种方法来研究降雨异常在印度-非常不同的降雨-在1901-2011年期间，并显示其优势，现有的方法。
2017-10-18 stat.AP
Predicting Ambulance Demand: a Spatio-Temporal Kernel Approach
准确地预测救护车需求在精细的时间和位置尺度是至关重要的救护车车队管理和动态部署。在这种情况下，大规模的数据集通常表现出复杂的时空动态和稀疏性在高分辨率。我们提出了一种预测方法，使用时空内核密度估计（stKDE）来解决这些挑战，并提供空间密度预测救护车的需求在加拿大多伦多，因为它每小时的间隔变化。具体来说，我们通过其对当前预测任务的信息量来加权每个历史观测的空间内核。我们构建时空权重函数，将各种时间和空间模式的救护车需求，包括特定位置的季节性和短期序列依赖。这使我们能够提取最有用的历史数据，并利用数据中的时空模式进行准确和快速的预测。我们还提供有效的估计和可定制的预测程序。stKDE易于使用，并由来自紧急医疗服务行业的非专业人员解释。它还具有比当前行业实践更高的统计准确性，计算费用相当。
2015-07-01 stat.AP
Wavelet Spatio-Temporal Change Detection on multi-temporal PolSAR images
我们介绍WECS（小波能量相关筛选），一个无监督的稀疏过程检测时空变化点的多时相合成孔径雷达（POLSAR）图像，甚至序列的非常高的分辨率图像。该过程是基于小波逼近的多时相图像，小波能量分配，和超高维相关筛选的小波系数。我们提出了两个免费的小波措施，以检测突然和/或累积的变化，以及静止或非静止的多时相图像的情况下。我们展示了WECS在合成多时相图像数据上的性能。我们还将所提出的方法应用于巴西和法属圭亚那边境地区的85幅卫星图像的时间序列。这些图像拍摄于2015年11月8日至2017年12月9日。
2021-03-26 stat.AP
Forecasting High-Frequency Spatio-Temporal Wind Power with Dimensionally Reduced Echo State Networks
风速和功率的快速准确的每小时预测对于量化和规划电网中的能源预算至关重要。鉴于风的湍流和高度非线性动力学，高分辨率的风建模带来了相当大的挑战。在发展中国家，目前正在建设或考虑建设大范围的风力发电场，考虑到对空间风进行建模的必要性，这甚至更具挑战性。在这项工作中，我们提出了一种机器学习方法来模拟非线性每小时风动力学在沙特阿拉伯与特定领域的选择结，以减少空间维数。我们的结果表明，对于之前工作中强调为风力丰富的地点，我们的方法使未来两小时的预测功率与风能行业的运营标准相比提高了11%，节省了近100万美元根据沙特阿拉伯当前的市场价格，一年内。
2021-12-08 stat.AP
Multivariate Bayesian models with flexible shared interactions for analyzing spatio-temporal patterns of rare cancers
针对罕见癌症发病率与死亡率估算难题，提出带灵活共享时空组分的多变量贝叶斯模型，经模拟验证性能优于传统模型，并用于分析英国男性胰腺癌和白血病的时空发病与死亡数据。
2024-07-15 stat.AP stat.ME
A Spatio-Temporal Model for Predicting Wind Speeds in Southern California
风力发电在全世界燃料混合物中所占的份额大幅增加。得出风力发电预测的主要因素是风速数据;离风电场越近，预测的电力供应越好。本文提出了一种预测方便地点风速的混合模型。然后将其应用于南加州电价区。我们建立随机场与时间序列的网格化的历史预测和实际风速观测。我们估计与普通克里金的时间参数的空间变异性，并得出预测。这项工作的优点是双重的：（1）在该地区的任何位置准确的每日风速预报和（2）适用于其他市场的一般方法。
2021-05-14 stat.AP stat.OT
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
Non-Separable Spatio-temporal Models via Transformed Gaussian Markov Random Fields
捕捉空间和时间动态的模型在许多科学领域都是适用的。在文献中引入了不可分离的时空模型来捕捉这些特征。然而，这些模型通常在构造和解释上都很复杂。我们引入了一类不可分离的变换高斯马尔可夫随机场（TGMRF），其中的依赖结构是灵活的，有利于简单的解释有关的空间，时间和时空参数。此外，TGMRF模型的优点是允许专家定义任何所需的边缘分布在模型的建设，而不会遭受时空混淆。因此，在TGMRF框架下使用时空模型导致了一类新的通用模型，例如时空伽马随机场，其可以直接用于对时空数据的泊松强度进行建模。所提出的模型被应用于确定重要的环境特征，影响的丰富的Nenia tridens，一个优势物种的蜗牛在一个研究充分的热带生态系统的变化，并描述其空间和时间的趋势，这是特别关键的人类世，一个时代的特点是人类引起的环境变化与气候和土地利用。
2020-05-11 stat.AP 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
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
Deep Spatio-Temporal Wind Power Forecasting
Department of Statistics, Texas A\&M University, College Station, TX
随着可再生能源消费量的增长，风力发电预测越来越受到研究人员的关注。在本文中，我们开发了一种基于编码器-解码器结构的深度学习方法。我们的模型预测风力涡轮机产生的风力发电，使用其相对于其他涡轮机的空间位置和历史风速数据。通过这种方式，我们有效地整合了空间依赖性和时间趋势，以进行涡轮特定的预测。与现有工作相比，我们的方法的优点可以总结为：1）它直接基于历史风速预测风力发电，而不需要首先预测风速，然后使用转换; 2）它可以有效地捕获长期依赖性3）与其他基于深度学习的方法相比，我们的模型更具可扩展性和效率。我们证明了我们的模型在基准真实世界数据集上的有效性。
2021-10-07 cs.LG stat.AP
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
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
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
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
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
A multi-scale area-interaction model for spatio-temporal point patterns
用于拟合时空点过程的模型应包含时空不均匀性，并允许点之间的不同类型的相互作用（聚类或规则性）。本文提出了一种扩展的空间多尺度区域相互作用模型的时空框架。该模型允许不同时空尺度的点之间的相互作用，并包含协变量。我们将所提出的模型与2013年在西班牙巴伦西亚登记的水痘病例相匹配。拟合模型表明，小规模的集群和规律性更高的时空尺度。
2017-01-11 stat.ME
Spatio-temporal estimation of wind speed and wind power using machine learning: predictions, uncertainty and technical potential
过去几十年风力发电能力的增长表明，风能可以促进世界许多地区的能源转型。由于风力发电的时空变化和相关不确定性具有高度可变性和建模复杂性，因此对风力发电的时空变化和相关不确定性的量化对于能源规划者来说是高度相关的。机器学习已经成为一种流行的工具来执行风速和功率预测。然而，现有的方法具有若干限制。这些问题包括：（一）风速数据的时空相关性考虑不足，（二）缺乏现有的方法来量化风速预测的不确定性及其传播到风力发电估计，以及（三）专注于不到每小时的频率。为了克服这些局限性，我们引入了一个框架来重建一个时空场的规则网格不规则分布的风速测量。在将数据分解为时间参考基函数及其相应的空间分布系数后，使用极限学习机对后者进行空间建模。模型和预测的不确定性，以及它们的传播后的风速转化为风力发电的估计，然后提供没有任何假设的数据分布模式。该方法应用于研究瑞士100米轮毂高度涡轮机的250 × 250平方米电网上的每小时风力发电潜力，为该国生成了第一个此类数据集。将潜在的风力发电与风力涡轮机安装的可用面积相结合，以估计瑞士风力发电的技术潜力。这里提出的风力发电量估算代表了规划者的一个重要输入，以支持未来风力发电量增加的能源系统的设计。
2022-07-16 cs.AI cs.LG eess.SP
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
Modeling and Predicting Spatio-temporal Dynamics of PM$_{2.5}$ Concentrations Through Time-evolving Covariance Models
细颗粒物（PM $_{2.5}$）由于其对健康的不利影响已成为全世界关注的焦点。PM $_{2.5}$浓度通常表现出复杂的时空变化。由于季节性的影响，PM的平均值和时空相关性都随着时间的推移而变化，这使得PM $_{2.5}$的统计分析具有挑战性。在地质统计学中，高斯过程是描述和预测这种时空动态的有力工具，时空协方差函数的确定是高斯过程的关键。虽然现有的文献提供了广泛的选择灵活的静态时空协方差模型，时间演变的时空依赖性只得到很少的关注。为此，我们提出了一个随时间变化的时空协方差模型来描述PM $_{2.5}$浓度随时间变化的时空依赖性。对于估计，我们开发了一个复合似然为基础的程序来处理大型时空datasets.The建议的模型优于传统的模型，通过模拟研究方面的预测。我们应用我们的模型来分析美国俄勒冈州的PM $_{2.5}$数据。其中，我们表明，空间尺度和平滑性表现出周期性。所提出的模型也被证明是有益的传统上使用的模型在这个数据集上的预测。
2022-02-24 stat.ME
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 Graph Convolutional Networks: Optimised Temporal Architecture
University of Oxford（牛津大学）
本研究提出结合CNN与LSTM时间块的时空图卷积网络新架构，通过理论论证和多数据集实验，实证比较了新模型与现有模型的性能。
2025-01-14 cs.LG stat.ML
On spatial and spatio-temporal multi-structure point process models
空间和时空单结构点过程模型广泛应用于流行病学、生物学、生态学、地震学、生物学、生态学、生物学等领域。.然而，大多数自然现象呈现出多重相互作用结构或在空间和/或时间上表现出多尺度的依赖性，导致定义新的空间和时空多结构点过程模型。本文主要对基于Gibbs过程和Cox过程的多结构点过程模型进行了研究和评述。
2020-07-04 stat.ME
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED（西班牙马德里国立远程教育大学（UNED）人工智能系）
时空预测是一个开放的研究领域，其兴趣呈指数增长。在这项工作中，我们专注于为时空交通预测创建一个复杂的深度神经框架，该框架具有相对非常好的性能，并且显示出在几种时空条件下的适应性，同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络，其中几个模块相结合，以捕捉关键的时空时间序列组件。通过大量的实验，我们展示了我们的方法的结果是如何稳定的，比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
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
A convolution recurrent autoencoder for spatio-temporal missing data imputation
University of California Irvine（加州大学欧文分校）
当传感器在大的地理区域中收集时空数据时，无法避免缺失数据的存在。缺失数据会对数据分析和机器学习算法的性能产生负面影响。在本文中，我们研究了时空问题中缺失数据填补的深度自动编码器。我们提出了一种卷积双向LSTM，用于捕获空间和时间模式。此外，我们分析了自动编码器的时空数据的潜在特征表示，并说明其性能缺失的数据填补。交通流数据用于评估我们的模型。结果表明，所提出的卷积递归神经网络优于国家的最先进的方法。
2019-04-29 cs.LG stat.ML
The LICORS Cabinet: Nonparametric Algorithms for Spatio-temporal Prediction
Carnegie Mellon University（卡内基梅隆大学）
时空数据本质上是高维的，因此只有在过程中利用结构，无监督建模才是可行的。当动力学在空间和时间上都是局部的时，这种结构可以通过将全局场分裂成许多低维的“光锥”来利用。我们回顾了光锥分解的预测状态重建，介绍了三个简单的光锥算法。这些方法允许对时空数据（诸如全帧视频）进行易处理的推断。该算法对底层过程的假设很少，但具有良好的预测性能，可以提供时空数据的分布，从而实现复杂的概率推理。
2016-09-14 cs.LG stat.ML
A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning
University of Lausanne（洛桑大学）；Swiss Re（瑞士再保险）
随着统计和计算科学在气候和环境建模和预测中发挥的作用变得越来越重要，机器学习研究人员越来越意识到他们的工作与帮助应对气候危机的相关性。事实上，作为通用的非线性函数逼近工具，机器学习算法在分析和建模空间和时间可变的环境数据方面是有效的。虽然深度学习模型已被证明能够通过其自动特征表示学习来捕获空间、时间和时空依赖性，但在空间中的一组不规则点上测量的连续时空场的插值问题仍有待研究。为了填补这一空白，我们在这里介绍了一个使用深度学习进行气候和环境数据时空预测的框架。具体而言，我们展示了如何时空过程可以分解的时间参考基函数的产品的总和，和随机空间系数，可以在空间上建模和映射到一个规则的网格，允许重建完整的时空信号。基于模拟和真实世界数据的两个案例研究的应用程序将显示所提出的框架在建模相干时空场的有效性。
2020-12-22 cs.LG physics.ao-ph physics.data-an
Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting
University of Washington（华盛顿大学）；Arizona State University（亚利桑那州立大学）
本文提出FreST损失，通过联合频域学习有效消除时空依赖，提升时空预测性能。
2026-02-13 cs.AI cs.LG stat.ML
ST-UNet: A Spatio-Temporal U-Network for Graph-structured Time Series Modeling
Peking University（北京大学）；Beijing Institute of Big Data Research（北京大数据研究院）
时空图学习正成为图研究的一个重要对象。许多应用领域涉及高度动态的图，其中时间信息是至关重要的，例如交通网络和金融交易图。尽管结构化数据的学习不断取得进展，但仍然缺乏有效的手段来提取时空结构中的动态复杂特征。特别是，传统的模型，如卷积网络或递归神经网络是无法揭示的时间模式，在短期或长期和探索的空间属性在局部或全球范围内的时空图同时。为了解决这个问题，我们设计了一种新的多尺度架构，时空U网（ST-UNet），用于图结构的时间序列建模。在该U型网络中，提出了一种时空域的成对采样操作：池化（ST-Pool）在空间上粗化输入图的确定性划分，同时通过扩张的循环跳跃连接提取多分辨率时间依赖;基于下采样中的先前设置，解池（ST-Unpool）恢复时空图的原始结构并恢复图序列内的规则间隔。时空预测任务的实验表明，我们的模型有效地捕捉多个尺度的综合特征，并在几个真实世界的数据集上实现了对主流方法的实质性改进。
2021-06-15 cs.LG stat.ML
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
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
A Constructive Spatio-Temporal Approach to Modeling Spatial Covariance
我提出了一种方法，通过考虑平稳分布的时空马尔可夫随机游动的面积空间协方差建模。在面积数据的情况下，这种固定的分布对应于一个内在的同步自回归（SAR）模型的空间相关性，并提供了一个原则性的方法来指定面积的空间模型时，时空生成过程可以假设。我应用的方法来研究鳟鱼的空间遗传变异在美国康涅狄格州的流网络，并在美国俄亥俄州哥伦布市的社区犯罪率的研究。
2015-07-03 stat.ME
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
Spatio-temporal count autoregression
针对时空计数过程建模问题，提出基于多元自回归模型并利用空间邻域结构控制参数量的方法，模拟实验证明其估计量可靠。
2024-10-31 stat.ME
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
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
Spatio-Temporal Functional Neural Networks
Penn State University（宾夕法尼亚州立大学）；Hitachi America, Ltd.（日立美国有限公司）
时空数据的爆炸式增长及其广泛的应用引起了统计和机器学习领域研究人员的极大兴趣。时空回归问题无论从方法论发展还是实际应用的角度来看都是至关重要的。给定所观察到的空间编码的时间序列协变量和实值响应数据样本，时空回归的目标是利用时间和空间依赖性来构建从协变量到响应的映射，以最小化预测误差。现有技术，包括卷积长短期记忆（CovLSTM）和函数线性模型的变体，不能以简单和有效的格式学习时空信息以进行适当的模型构建。在这项工作中，我们提出了两个新的扩展功能神经网络（FNN），时间回归模型的有效性和优越的性能超过替代顺序模型已被许多研究人员证明。在全面的仿真研究中证明了所提出的时空FNN在处理不同的空间相关性的有效性。提出的模型，然后部署到解决一个实际的和具有挑战性的降水预测问题在气象领域。
2020-09-11 cs.LG stat.ML
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
Low-dimensional Models in Spatio-Temporal Wind Speed Forecasting
University of California, Berkeley（加州大学伯克利分校）；Yildiz Technical University（伊尔迪兹理工大学）
本文提出一种结合时间序列数据和周围站点数据的时空风速预测算法，利用压缩感知和结构稀疏恢复理论，通过低维结构恢复提升短期风速预测精度。
2015-03-04 cs.SY eess.SY stat.ML
Scalable Spatio-Temporal Smoothing via Hierarchical Sparse Cholesky Decomposition
我们提出了一个近似的前向滤波器后向采样器（FFBS）算法的大规模时空平滑。FFBS通常用于贝叶斯统计，当使用线性高斯状态空间模型时，但它需要反转具有潜在状态向量大小的协方差阵。与此操作相关的计算负担有效地禁止了其在高维设置中的应用。我们提出了一个可扩展的时空FFBS方法的基础上的分层Vecchia近似的高斯过程，这已被成功地用于空间统计学。在模拟和真实数据上，我们的方法优于低秩FFBS近似。
2022-07-19 stat.CO stat.ME
Discussion on Computationally Efficient Multivariate Spatio-Temporal Models for High-Dimensional Count-Valued Data by Bradley et al
我开始我的讨论，通过总结提出的方法和新的分布结果的多变量对数伽玛的文件。然后，我在他们的工作与平均场变分贝叶斯之间建立了一个有趣的联系。最后，我提出了一些意见的模拟结果和性能的泊松多变量时空混合效应模型（P-MSTM）。
2018-03-13 stat.ME
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
Gibbs Phenomenon Suppression in PDE-Based Statistical Spatio-Temporal Models
近年来，人们提出了一类基于物理信息的时空模型来模拟由平流-扩散方程控制的时空过程。其中心思想是用截断的傅里叶级数来近似这个过程，并让支配物理学决定光谱系数的动态。然而，由于实际应用中的许多时空过程是具有边界不连续性的非周期过程，由于傅里叶级数的截断，在由这些模型产生的输出中几乎总是存在众所周知的吉布斯现象和波纹伪影。因此，本文的主要贡献是提出了一个物理学通知的时空建模方法，显着抑制吉布斯现象建模时的时空对流扩散过程。所提出的方法从分别沿着水平和垂直方向的过程的数据翻转过程开始（就好像我们正在展开一张沿着两个方向折叠了两次的纸）。由于翻转过程成为空间周期性的，并且具有没有任何边界不连续性的完整波形，因此即使截断傅里叶级数，吉布斯现象也消失。然后，对于翻转过程，并给出了偏微分方程（PDE），管理的过程中，本文扩展了现有的基于偏微分方程的时空模型，通过获得新的时间动态的频谱系数，同时保持翻转过程的物理解释。一个真实数据集的基础上进行了数值研究，以证明所提出的方法的优点。结果表明，该方法有效地抑制了时空对流扩散过程中的吉布斯现象，并显着减少了波纹伪影。计算机代码可以在GitHub上找到。
2022-08-06 cs.NA math.NA stat.ME
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
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
Dynamic Spatio-temporal Zero-inflated Poisson Models for Predicting Capelin Distribution in the Barents Sea
我们考虑建模和预测的毛鳞鱼分布在巴伦支海的基础上，在指定的调查区域连续变化的零膨胀计数观测数据。该模型是两个组成部分的混合物;在原点的单点分布和具有时空强度的泊松分布，其中强度和混合比例由一些辅助变量和未观察到的时空效应建模。采用动态线性模型结合预测高斯过程对时空效应进行建模。我们开发了一个有效的后验计算算法的模型，使用数据增强策略。该模型的性能通过模拟研究得到了证明，并应用于2014年至2019年在巴伦支海捕获的毛鳞鱼数量。
2022-10-19 stat.ME
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
Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves
提出一种非参数时空高斯过程模型，通过构建共享代表性时间协变量集实现时空对齐，有效整合地形特征与时间变量，提升风电场功率预测精度。
2026-07-02 cs.LG stat.AP
Probabilistic Spatiotemporal Modeling of Day-Ahead Wind Power Generation with Input-Warped Gaussian Processes
University of California Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Amazon（亚马逊公司）
提出一种基于输入扭曲高斯过程的日前风电功率时空概率模型，通过可分离时空核和时空输入扭曲捕捉非平稳性，并在ERCOT数据集上验证了其有效性。
2024-09-10 cs.LG cs.SY eess.SY
