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 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
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
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
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
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
On the PM2.5 -- Mortality Association: A Bayesian Model for Spatio-Temporal Confounding
University G. d’Annunzio of Chieti-Pescara（阿布鲁佐大学）；McGill University（麦吉尔大学）
本文提出一种贝叶斯模型，用于研究PM2.5与死亡率的关联，通过分解时空尺度的暴露效应以减少混杂偏差，并揭示夏季暴露效应的峰值可能与颗粒物与气温的相互作用有关。
2026-01-27 stat.AP 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
A Bayesian approach to identify changepoints in spatio-temporal ordered categorical data: An application to COVID-19 data
本研究针对时空有序分类数据变点识别研究不足的问题，提出结合可分离高斯时空过程的贝叶斯时空模型，可检测均值与协方差结构变化，在纽约州COVID-19数据中识别出三个对应疫情波次的变点。
2023-05-03 stat.AP stat.ME
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
A New Spatio-Temporal Model Exploiting Hamiltonian Equations
IISER Kolkata（印度科学教育研究所加尔各答分校）；IIM Indore（印度管理学院印多尔分校）；ISI Kolkata（印度统计学院加尔各答分部）
本文提出了一种基于哈密顿方程的新型时空模型，通过引入高斯过程实现非参数、非平稳和非高斯特性，并在模拟和真实数据上展示了优于传统非平稳GP的性能。
2026-02-15 stat.ME
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
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 Extension to Poisson Auto-Regression: Modeling the Disease Infection Rate of COVID-19 in England
本文提出一种贝叶斯时空泊松自回归扩展模型，用于刻画英格兰COVID-19感染率的时空动态，并通过模拟和真实数据验证，评估政策与移动指数的影响。
2023-11-17 stat.AP stat.ME
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
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
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
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
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
Machine Discovery of Partial Differential Equations from Spatiotemporal Data
Huazhong University of Science and Technology（华中科技大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Georgia Institute of Technology（佐治亚理工学院）；Wuhan University（武汉大学）；University of Cambridge（剑桥大学）；University of Luxembourg（卢森堡大学）；Weill Cornell Medical College（威尔康奈尔医学院）
该研究提出了一个使用测量的时空数据发现潜在偏微分方程（PDE）的通用框架。该方法被称为稀疏时空系统发现（$\text{S}^3\text{d}$），决定哪些物理项是必要的，哪些可以从候选函数池中删除（因为它们在物理上可以忽略不计，因为它们不会太多地影响动态）。该方法是建立在稀疏贝叶斯学习的最新发展，它强制执行的稀疏性在被识别的偏微分方程，因此可以平衡模型的复杂性和拟合误差与理论保证。在发现过程中不利用先验知识或假设，我们使用自动化的方法来发现十种类型的偏微分方程，包括著名的Navier-Stokes方程和sine-Gordon方程，仅从模拟数据。此外，我们展示了我们的数据驱动的发现过程与复杂的金斯堡-朗道方程（CGLE）使用从行波对流实验测量的数据。我们的机器发现方法提供了有可能激励、支持和协助物理学家根据测量的时空数据建立物理定律的解决方案，特别是在臭名昭著的领域，这些领域通常过于复杂，无法直接建立物理定律，例如生物物理学、流体力学、神经科学或非线性光学。
2019-09-15 cs.LG physics.comp-ph stat.ML
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
Big problems in spatio-temporal disease mapping: methods and software
区域数据的时空模型拟合在癌症流行病学等许多领域中至关重要。然而，当数据集非常大时，会出现许多问题。本文的主要目的是提出一个通用的程序来分析高维时空计数数据，特别强调死亡率/发病率的相对风险估计。我们提出了一个务实和简单的想法，允许适合层次时空模型时，小区域的数量是非常大的。模型拟合使用集成嵌套拉普拉斯近似在空间域的分区上进行。我们还使用并行和分布式策略来加快贝叶斯模型拟合通常非常耗时甚至不可行的设置中的计算。使用模拟和真实数据，我们表明，我们的方法优于经典的全球模型。我们实现了我们在开源R包bigDM中开发的方法和算法，其中包括特定的小插曲，以方便非专家用户使用该方法。我们的可扩展的方法建议提供可靠的风险估计时，拟合贝叶斯分层时空模型的高维数据。
2022-10-11 stat.CO stat.ME
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
Bayesian Source Apportionment of Spatio-temporal air pollution data
Politecnico di Milano（米兰理工大学）；University of California Irvine（加州大学欧文分校）
本文提出一种贝叶斯源解析模型，通过潜在功能因子模型和源特定收缩参数估计未知污染源数量并考虑时空依赖性，在模拟数据中验证了其准确性，并在加州PM$_{2.5}$数据中识别出3个主要来源。
2025-10-31 stat.AP 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
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 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
Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery
Sorbonne Universités, UPMC Univ Paris 06, CNRS, LIP6 UMR 7606（索邦大学、巴黎第六大学、法国国家科学研究中心、巴黎第六大学计算机科学实验室（UMR 7606））；Vedecom Institute（维德科姆研究所）
我们引入了一个动态时空模型，形式化为一个递归神经网络，用于预测空间过程的时间序列，即一系列共享时间和空间依赖关系的观测。该模型通过结构化的潜在动态组件学习这些依赖关系，而解码器则从潜在表示中预测观察结果。我们考虑这个模型的几个变体，对应于不同的先验假设的空间关系之间的系列。该模型进行评估，并比较国家的最先进的基线，对各种预测问题的代表不同的应用领域：流行病学，地理空间统计和汽车交通预测。除了这些评价，我们还描述了实验表明这种方法提取相关的空间关系的能力。
2018-04-23 cs.LG stat.ML
A Dynamic Spatiotemporal and Network ARCH Model with Common Factors
本文提出一种纳入波动率特定潜在因子与可观测因子的动态时空ARCH模型，利用贝叶斯MCMC估计与因子选择方法刻画空间、时间及网络溢出效应，并在美国住房市场和股票市场应用中验证了其捕捉互联性的能力。
2024-10-21 econ.EM q-fin.ST stat.ME
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
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
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
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
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
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
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
Routine pattern discovery and anomaly detection in individual travel behavior
发现个人出行行为的模式和异常是研究和实践中的一个关键问题。在本文中，我们通过建立一个概率框架来建模个人时空旅行行为数据（例如，行程记录和轨迹数据）。我们开发了一个二维的潜在狄利克雷分配（LDA）模型来描述每个旅行者的时空旅行记录的产生机制。该模型在空间维度和时间维度分别引入了两个独立的因子矩阵，并在个体层面上使用二维核心结构来有效地模拟联合交互和复杂依赖关系。该模型能够以无监督的方式从稀疏的出行序列中有效地总结出时空两维上的出行行为模式。通过这种方式，可以将复杂的旅行行为建模为具有代表性和可解释的时空模式的混合。通过将训练好的模型应用于旅行者未来/不可见的时空记录，我们可以通过使用困惑度对这些观察进行评分来检测她的行为异常。我们证明了所提出的建模框架的有效性在现实世界的车牌识别（LPR）数据集。结果证实了统计学习方法在稀疏个体出行行为数据建模中的优势。这种类型的模式发现和异常检测应用程序可以为交通监控、执法和个人旅行行为分析提供有用的见解。
2020-04-05 cs.CY cs.SI stat.AP
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
An Extended Laplace Approximation Method for Bayesian Inference of Self-Exciting Spatial-Temporal Models of Count Data
自激模型是计数数据的统计模型，其中事件发生的概率受过程历史的影响。特别是，自激时空模型允许空间依赖性以及时间自激。然而，对于大的空间或时间区域，该模型导致一个棘手的可能性。处理大型时空模型的一种越来越常见的方法是使用拉普拉斯近似（LA）。该方法简单易行，实现速度快，使用方便.然而，正如我们将证明在这篇手稿中，当应用于自激泊松时空模型，拉普拉斯近似在估计一些参数的显着偏差的结果。由于这种偏见，我们建议使用高达六阶校正的LA拟合这些模型。我们将演示如何在自激励时空模型的贝叶斯设置中做到这一点。我们将进一步表明，有一个有限的参数空间的扩展LA方法仍然有偏见。在这些罕见的情况下，我们将展示如何使用Stan软件程序的计算密集型完全贝叶斯方法在这些罕见的情况下是可能的。的扩展LA方法的性能示出与模拟和真实世界的数据。
2017-09-28 stat.CO
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 Temporal Factorization for Multidimensional Time Series Prediction
Polytechnique Montreal（蒙特利尔综合理工学院）；McGill University（麦吉尔大学）；Interuniversity Research Centre on Enterprise Networks, Logistics and Transportation (CIRRELT)（校际企业网络、物流与交通研究中心（CIRRELT））
大规模、多维的时空数据集在城市交通、空气质量监测等实际应用中越来越普遍。对这些时间序列进行预测已经成为一个关键的挑战，这不仅是由于大规模和高维的性质，而且还由于相当数量的缺失数据。在本文中，我们提出了一个贝叶斯时间因子分解（BTF）框架建模的多维时间序列-特别是时空数据-在缺失值的存在。通过将低秩矩阵/张量分解和向量自回归（VAR）过程集成到一个概率图模型中，该框架可以同时刻画大规模时间序列数据的全局和局部扰动。图形模型使我们能够有效地执行概率预测，并产生不确定性估计，而无需估算这些缺失值。我们开发了有效的吉布斯抽样算法的模型推理和模型更新的实时预测和测试的建议BTF框架在几个真实世界的时空数据集的缺失数据填补和多步滚动预测任务。数值实验表明，所提出的BTF方法优于现有的国家的最先进的方法。
2021-03-14 cs.LG stat.ML
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
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
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
