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
The second-order analysis of marked spatio-temporal point processes, with an application to earthquake data
为了分析标记时空点过程(MSTPPs)中的相互作用,我们引入了一般非齐次二阶强度加权平稳MSTPPs的标记(交叉)二阶约化矩测度和K函数.这些汇总统计数据使我们能够量化不同标记类别的点之间的依赖性,这些统计数据取决于所选择的特定标记空间和标记参考度量。我们还仔细研究了汇总统计量如何在假设下减少,例如MSTPP是多变量和/或平稳的。设计了一种新的独立标记检验,并推导出所有统计量的无偏负抽样估计。此外,我们对待Voronoi强度估计MSTPP,并表明其无偏性。最后,这些新的统计分析著名的安达曼海地震数据集。我们发现,集群发生在主震和前/余震几乎所有的空间和时间尺度。此外,我们发现的证据表明,有条件的地震的时空位置,震级不表现出像一个iid序列。
2016-11-15 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
Large-scale modelling and forecasting of ambulance calls in northern Sweden using spatio-temporal log-Gaussian Cox processes
虽然救护车呼叫数据通常以时空点模式的形式出现,但文献中提出的基于点过程的建模方法很少。在本文中,我们研究了一组独特的瑞典时空救护车呼叫数据,其中包括呼叫的空间(GPS)位置(瑞典最北部的四个地区)和相关的呼叫发生日期(2014年1月1日至2018年12月31日)。出于数据的性质,我们在这里采用对数高斯Cox过程(LGCPs)的时空建模和预测的电话。为此,我们提出了一种基于K-均值聚类的带宽选择方法的可分离时空强度函数的空间分量的核估计。强度函数的时间分量使用泊松回归建模,使用不同的日历协变量,并且LGCP的随机强度的时空随机场分量使用Metropolis调整的Langevin算法拟合。在研究区域的东南部发现了空间热点,该地区大多数人居住在那里,我们的拟合模型/预测能够很好地捕捉到这种行为。此外,预期的呼叫次数与一周中的一天和一年中的季节之间存在显着关联。一个非参数二阶分析表明,LGCPs似乎是合理的模型的数据。最后,我们发现,拟合预测生成模拟的未来空间事件模式,非常类似于实际的未来数据。
2020-09-12 stat.AP stat.ME
Spatiotemporal ETAS model with a renewal main-shock arrival process
本文提出了一个时空点过程模型,通过引入更新主震到达过程,改进了经典的流行型余震序列(ETAS)模型,我们称之为更新ETAS(RETAS)模型。这种修改在精神上类似于更新霍克斯(RHawkes)过程,但条件强度过程支持空间域。它使主震强度具有在主震到达时重置的能力,因此允许比Ogata(1998)引入的时空ETAS模型更重的地震聚集。我们引入了一个似然估计算法的参数估计,并提供了一个新的程序来评估拟合模型的拟合优度的基础上顺序应用的Rosenblatt变换。RETAS模型的模拟算法的开发和应用,以验证数值性能的似然评估算法和拟合优度测试程序。我们说明了建议的模型和程序在世界各地的各种地震目录,每个有明显不同的地震活动。这些目录将表明,RETAS模型提供了额外的灵活性相比,经典的时空ETAS模型,并具有优越的建模和预测地震活动的潜力。
2021-12-15 stat.AP stat.ME
Automatic Integration for Spatiotemporal Neural Point Processes
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出 AutoSTPP,通过 ProdNet 可分解参数化将对偶网络积分方法从一维时间点过程扩展到三维时空点过程,有效解决了复杂强度函数的积分难题,并在合成与真实数据上验证了其一致性和恢复复杂强度函数的优势。
2023-10-31 cs.LG stat.ML
Estimating velocities of infectious disease spread through spatio-temporal log-Gaussian Cox point processes
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Universitat Jaume I(海梅一世大学)
本文提出利用时空对数高斯协方差点过程估计传染病传播速度,通过贝叶斯推断和有限差分法分析新冠状病毒在哥伦比亚卡利市的传播情况。
2025-12-21 stat.AP stat.ME
Estimating Inhomogeneous Spatio-Temporal Background Intensity Functions using Graphical Dirichlet Processes
Disaster Prevention Research Institute, Kyoto University(京都大学防灾研究所);Department of Earth and Planetary Science, The University of Tokyo(东京大学地球行星科学系)
本文提出基于图形狄利克雷过程的新方法,用于建模地震背景活动的时空非均匀性,应用于墨西哥南部2000-2015年地震数据研究。
2026-03-13 stat.AP
Log-Gaussian Cox Processes for Spatiotemporal Traffic Fatality Estimation in Addis Ababa
该研究采用含协变量与时空随机效应的 log-Gaussian Cox Process,结合 INLA-SPDE 建模亚的斯亚贝巴交通事故强度,识别热点并验证协变量显著提升模型表现。
2024-08-05 stat.AP
Spatial and Spatio-Temporal Log-Gaussian Cox Processes: Extending the Geostatistical Paradigm
在本文中,我们首先描述了类的对数高斯考克斯过程(LGCPs)的空间和时空点过程数据的模型。我们讨论推理,特别关注基于似然性的推理的计算挑战。然后,我们证明了有用的LGCP描述四个应用程序:估计强度表面的空间点过程;调查空间隔离在多类型的过程;构建空间连续的地图,疾病风险的空间离散数据;和实时健康监测。我们认为,这类问题自然适合地质统计学领域,传统上被定义为研究空间连续的过程中使用空间离散观测在有限数量的位置。我们认为,一个更有用的定义地质统计学是由类的科学问题,它解决,而不是特定的模型或数据格式。
2013-12-23 stat.ME
LASPATED: a Library for the Analysis of SPAtio-TEmporal Discrete data
本文提出 LASPATED 软件库,通过时空离散化和额外数据正则化或协变量建模来估计非齐次 Poisson 过程强度,并在模拟与里约热内卢急救数据上验证其优于最大似然估计。
2024-09-06 math.ST stat.CO stat.ME
Infill asymptotics for logistic regression estimators for spatio-temporal point processes
本文讨论强度函数为对数线性型的时空点过程的逻辑斯谛回归估计的填充渐近性。我们建立了Poisson点过程模型参数的强相合性和渐近正态性,并证明了这些结果如何推广到一般的点过程模型.此外,在适当的条件下,我们还将我们的中心极限定理推广到其他基于Campbell-Mecke定理的无偏估计方程。
2022-08-25 math.ST stat.TH
Spatio-temporal extreme event modeling of terror insurgencies
具有潜在致命后果的极端事件,如恐怖组织组织的极端事件,在性质上是高度不可预测的,对社会构成迫在眉睫的威胁。特别是,量化在任意时空区域发生恐怖袭击的可能性及其相对社会风险,将有助于采取知情措施,加强国家安全。针对基线强度不均匀的攻击,提出了一种新的自激标记时空模型。其触发强度采用高斯过程先验分布进行简洁建模,以灵活地捕捉任意攻击与先前恐怖事件之间复杂的时空依赖关系。通过推断该模型的参数,我们突出了可能发生攻击的特定时空区域。此外,通过衡量它产生的伤亡人数的攻击的结果,我们引入了一个新的混合分布的伤亡人数。该分布通过{ \it Generalized ZipF}分布灵活地处理低和高伤亡人数以及数据的离散性质。我们依赖于一个定制的马尔可夫链蒙特卡罗(MCMC)方法来估计模型参数。我们使用来自开源全球恐怖主义数据库(GTD)的数据来说明该方法,这些数据对应于2013-2018年阿富汗的袭击事件。我们表明,我们的模型能够预测2019-2021年未来攻击的强度,同时考虑各种相关的协变量,如人口密度,使用的地区语言数量以及支持反对政府的人口密度。
2021-10-29 stat.AP stat.ML
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
Spatio-temporal point processes with deep non-stationary kernels
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
点过程数据在现代应用中变得无处不在,例如社交网络、医疗保健和金融。尽管流行的递归神经网络(RNN)模型对点过程数据具有强大的表达能力,但由于其递归结构,它们可能无法成功捕获数据中复杂的非平稳依赖关系。点过程数据的另一种流行类型的深度模型是基于通过神经网络表示影响核(而不是强度函数)。我们采取后一种方法,并开发了一个新的深度非平稳影响内核,可以模拟非平稳时空点过程。其主要思想是用一种新的、通用的低秩分解来近似影响核,从而通过深度神经网络实现高效表示,提高计算效率和性能。我们还采取了一种新的方法来保持非负约束的条件强度,通过引入对数障碍罚款。我们证明了我们提出的方法的良好性能和计算效率相比,最先进的模拟和真实数据。
2022-11-21 cs.LG stat.ML
Spatiotemporal deep learning models for detection of rapid intensification in cyclones
Department of Civil Engineering, Indian Institute of Technology Bombay, Mumbai, India(印度理工学院班加罗尔分校土木工程系);Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics(过渡人工智能研究组,数学与统计学学院);University of New South Wales, Sydney, Australia(新南威尔士大学悉尼分校);Centre for Artificial Intelligence and Innovation, Pingla Institute(人工智能与创新中心,Pingla研究所)
本文提出结合深度学习生成气旋空间坐标与风力强度的数据增强框架,以缓解快速增强事件的类别不平衡并提升检测性能。
2025-06-10 cs.AI cs.LG stat.ML
A J-function for inhomogeneous spatio-temporal point processes
提出了一种新的非均匀强度加权矩平稳时空点过程的汇总统计量。该统计量是通过点过程的n点相关函数定义的,当假设平稳时,它推广了J函数。我们表明,我们的统计量可以表示在生成功能方面,它是有关的非齐次K-函数。在一些特定的模型假设下,我们进一步讨论了它的显式形式,并得到了一个比率无偏估计。最后,我们说明了我们的统计模拟数据的使用。
2013-11-25 math.ST stat.TH
Spatio-temporal modelling of extreme storms
一个灵活的时空模型被用于分析1979-2009年大西洋和欧洲上空6小时再分析中客观确定的极端热带外气旋。空间变化的极端属性的气旋捕获使用150个单元格的空间正则化,纬度作为协变量,和空间随机效应。北大西洋涛动(NAO)也被用作协变量,并被发现有一个显着的影响,加强极端风暴的行为,特别是在北欧和伊比利亚半岛。对最低海平面气压下限的估计通常比历史风暴观测到的最低值低10-50百帕,当NAO指数为正值时差异最大。
2015-01-26 stat.AP
Exploratory and Inferential Methods for Spatio-Temporal Analysis of Residential Fire Clustering in Urban Areas
住宅火灾的时空分析可以帮助决策者根据火灾在空间和时间上的聚集程度来规划火灾管理中有效的资源分配。在这项研究中,我们提供了使用各种方法检测火灾和非火灾(即,背景住宅)位置以及这些模式如何随时间变化。作为初步分析步骤,可以使用各种探索性数据分析方法,例如强度图(即,核密度估计)。此外,使用Diggle的D-函数(二阶分析技术),提出了用于检测住宅火灾位置的聚类(如果有的话),以及与背景住宅模式相比,火灾位置是否存在额外的聚类(或规律性)。随着时间的推移(年,月,周)的火灾位置模式的趋势的测试提供了时空K函数的时空相互作用分析。住宅火灾数据从安卡拉市,土耳其作为一个说明性的例子。所提出的方法也适用于类似的城市设置的住宅火灾数据。
2012-10-01 stat.AP stat.ME
Deep Mixture Point Processes: Spatio-temporal Event Prediction with Rich Contextual Information
NTT Corporation(日本电报电话公司)
预测城市中何时何地发生的事件,如出租车接送,犯罪和车辆碰撞,是一个具有挑战性和重要性的问题,在城市规划,交通优化和基于位置的营销等领域有许多应用。虽然已经提出了许多点过程来模拟连续时空空间中的事件,但它们都不允许考虑影响事件发生的丰富上下文因素,例如天气,社会活动,地理特征和交通。在本文中,我们提出了\textsf{DMPP}(深度混合点过程),一个点过程模型预测时空事件与使用丰富的上下文信息,一个关键的进步是它的异构和高维上下文的图像和文本数据的合并。具体来说,我们将点过程模型的强度设计为内核的混合,其中混合权重由深度神经网络建模。这个公式使我们能够自动学习事件发生的背景因素的复杂的非线性影响。同时,该公式使得点过程估计所需的强度上的分析积分易于处理。我们使用来自不同领域的真实数据集来证明DMPP比现有方法具有更好的预测性能。
2019-06-21 cs.LG stat.ML
A Self-Exciting Model of Eddy Formation at Submesoscale
Koç University(罗彻斯特大学)
针对传统模型无法捕捉海洋涡旋复杂时空聚类的问题,本文提出时空霍克斯过程模型,结合EM算法与两阶段模拟框架,成功验证了亚中尺度涡旋形成的自激发特性。
2026-08-21 math.PR stat.ME
Exploring first and second-order spatio-temporal structures of lightning strike impacts in the French Alps using subsampling
本文针对法国阿尔卑斯山约140万次闪电击中事件,利用时空点过程结合子采样策略分析其一阶与二阶结构,以降低高计算成本并检验强度齐次性、可分离性及事件依赖性。
2024-01-11 math.ST stat.TH
Sharp Convergence Rates of Empirical Unbalanced Optimal Transport for Spatio-Temporal Point Processes
该研究针对时空点过程观测下的非平衡最优传输经验估计量,在弱平稳与次二次方差增长假设下,推导了精确收敛速率及匹配下界,验证了多种点过程下的近似极小极大最优性。
2025-09-04 math.ST stat.ML stat.TH
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
Temporal Wasserstein non-negative matrix factorization for non-rigid motion segmentation and spatiotemporal deconvolution
Columbia University(哥伦比亚大学)
自然图像的运动分割通常依赖于密集的光流来产生点轨迹,这些点轨迹可以通过包括谱聚类或最小成本多割的各种手段被分组为簇。然而,在生物成像场景中,例如荧光显微镜或钙成像,其中信噪比受到损害并且发生强度波动,光流可能难以近似。为此,我们提出了一种替代的模式,运动分割的基础上,最佳运输模型的视频帧随时间变化的质量表示为直方图。因此,我们铸造运动分割作为一个时间非线性矩阵分解问题与Wasserstein度量损失。该因子分解的字典元素将运动分割成相干对象,而加载系数允许捕获运动对象的时变强度信号。我们在模拟的多电极漂移场景中演示了所提出的范例的使用,以及秀丽隐杆线虫(C. elegans)。后一种应用具有在自由进行的行为中提取动物的神经活动的附加效用。
2019-12-07 cs.CV cs.LG eess.IV
Understanding the Spread of COVID-19 Epidemic: A Spatio-Temporal Point Process View
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Microsoft Research, China(微软亚洲研究院)
自1月21日美国发现首例冠状病毒病例以来,美国已有超过100万人确诊COVID-19病例。这种传染性呼吸道疾病已在美国3000多个县和50个州迅速蔓延,并表现出进化集群和复杂的触发模式。必须了解这种疾病的复杂时空交织传播,以便进行准确的预测或明智的外部干预。在本文中,我们将COVID-19的传播建模为时空点过程,并提出了一个生成和强度无关的模型来跟踪疾病的传播。我们进一步采用生成式对抗模仿学习框架来学习模型参数。与传统的基于似然的学习方法相比,该模仿学习框架不需要预先指定强度函数,从而避免了模型误指定。此外,对抗性学习过程绕过了可能性评估中涉及的难以评估的积分,这使得模型推理对数据和变量更具可扩展性。我们展示了美国COVID-19确诊病例的动态学习性能,并基于学习的生成模型评估了社交距离政策。
2021-06-24 cs.LG stat.ML
Deep Spatio-Temporal Random Fields for Efficient Video Segmentation
Facebook AI Research(Facebook人工智能研究院);INRIA(法国国家信息与自动化研究所);Ecole CentraleSupélec(中央理工-高等电力学院)
在这项工作中,我们介绍了一个时间和内存效率的结构化预测方法,耦合神经元的决定在两个空间的时间。我们表明,我们能够执行精确和有效的推理密集连接的时空图利用深高斯条件随机场(GCRF)的最新进展。我们的方法称为VideoGCRF,它(a)高效,(b)具有独特的全局最小值,(c)可以与当代深度网络一起进行端到端训练,以实现视频理解。我们在时间域中尝试了多种连接模式,并在视频的语义和实例分割任务上提出了强基线的经验改进。
2018-07-03 cs.CV cs.LG stat.ML
Changes in Spatio-temporal Precipitation Patterns in Changing Climate Conditions
气候模式有力地表明,降水模式将发生一些重大变化。模型一致预测,随着大气含水量的增加,单个降水事件的强度增加约6-7%/K,但总降水量增加较少(瞬时运行中全球平均值为1- 2%/K)。降水事件的某些其他方面必须随之改变,以补偿这种差异。我们在这里开发了一种新的方法来识别单个暴雨和研究其物理特性-包括起始位置,强度,空间范围,持续时间和轨迹-允许识别的补偿机制。我们将这种技术应用于美国邻近地区的降水,这些降水来自基于雷达的数据产品和高分辨率模型运行,模拟了80年的照常变暖。在模式研究中,我们发现,占主导地位的补偿机制是风暴规模的减少。夏季暴雨强度增大,但范围缩小;冬季暴雨仍以收缩为主,但数量减少,持续时间缩短。这些结果意味着,气候变化对洪水的影响将不太严重,预计从降水强度的变化单独。我们还表明,预测的变化小于模型观测偏差,这意味着将它们纳入影响评估的最佳方法是通过“数据驱动的模拟”,将模型预测的变化应用于观测数据。因此,我们开发了一种模拟算法,统计描述模型的变化,降水特征和相应的调整数据,并显示,特别是夏季降水,它优于模拟方法,不包括空间信息。
2016-05-25 stat.AP
Daily minimum and maximum temperature simulation over complex terrain
最低和最高温度的时空模拟是气候影响研究和水文或农业模型的基本要求。特别是在可变地形的地区,由于地形驱动的非平稳性,这些模拟很难产生。我们建立了一个最低和最高温度时空场的双变量随机模型。建议的框架分裂成两个组成部分的“当地气候”和“天气”的双变量字段。“当地气候部分是一个线性模型,具有空间变化的过程系数,捕捉年周期,并得出所有地点的当地气候估计值,而不仅仅是观测网络内的地点。天气分量空间相关的双变量模拟,其矩阵值的协方差函数,我们估计使用非参数内核平滑,保持非负定性,并允许大量的非平稳性在整个模拟域。统计模型增加了空间变化的块金效应,以允许局部变化的小规模变异性。我们的模型被应用到每日温度数据集,覆盖美国科罗拉多州的复杂地形,并成功地容纳大量的时间变化的非平稳性的直接协方差和交叉协方差函数。
2013-05-31 stat.AP
Sparse Approximate Inference for Spatio-Temporal Point Process Models
时空点过程模型在空间分布系统的分析中起着重要的作用。然而,由于通常需要的高分辨率建模和分析上难以处理的似然函数,可扩展推理在计算上仍然具有挑战性。在这里,我们利用稀疏结构典型的(空间)离散对数高斯Cox过程模型,通过使用近似的消息传递算法。所提出的算法的规模以及状态维度和时间范围的长度与适度损失的分布精度。因此,他们提供了一个灵活的和更快的替代非线性滤波平滑型算法和方法,实现拉普拉斯方法或期望传播(块)稀疏潜在高斯模型。我们使用结构化变分贝叶斯方法推断潜在高斯模型的参数。我们展示了高斯和点过程观察模拟研究的建议框架,并使用它来重建阿富汗的冲突强度和动态维基解密阿富汗战争日记。
2015-07-06 stat.ML
On building and fitting a spatio-temporal change-point model for settlement and growth at Bourewa, Fiji Islands
位于维提岛罗夫半岛的布雷瓦海滩遗址是斐济群岛已知最早的人类定居点。布瑞瓦的定居点在空间和时间上是如何发展的?我们对60个标本进行了放射性碳年代测定,这些标本与人类存在的证据有关,取自整个遗址的坑。由于缺乏诊断地层学,没有直接的考古证据表明整个感兴趣时期的不同占领阶段。我们给出了一个时空分析解决在Bourewa中的沉积速率过时的标本起着重要的作用。放射性碳测年强度的时空映射被不均匀的沉积后变薄所混淆。我们假设,混杂过程的作用方式,日期的情况下仍然是零速率的原始沉积过程的信息。我们的模型和适合的发病领域,也就是说,我们估计整个网站的每个位置的时间,沉积的可定年标本开始。产生我们的空间起始场的时间过程是原始定居动力学的模型。
2010-06-29 stat.AP
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
Tutorial on kernel estimation of continuous spatial and spatiotemporal relative risk with accompanying instruction in R
核平滑是一种高度灵活和流行的方法,用于估计连续空间数据的概率密度和强度函数。在这个角色中,它也形成了一个不可分割的一部分,估计泛函,如密度比或“相对风险”表面。最初开发的流行病学的动机,检查疾病风险的波动的基础上收集的病例和对照样本在一个给定的地理区域,这样的功能也已成功地运用在各种学科的空间密度函数的相对比较一直感兴趣。这种多功能性要求不断发展和改进相关方法,包括使用空间自适应平滑器;基于渐近理论的显着升高的风险测试;扩展到时空域;和新的计算方法进行评估。在本教程中,我们回顾了当前的方法,包括估计,计算和推理的最新发展。所有的技术都实现在新的软件包sparr,公开提供的R语言,我们说明了它的使用与流行病学的例子。
2017-07-19 stat.ME
Spatial birth-death-move processes : basic properties and estimation of their intensity functions
许多时空数据记录了个人出生和死亡的时间,以及他们一生中的空间轨迹,无论是通过连续时间观测还是离散时间观测。自然应用包括流行病学、生态学中基于个体的建模、生物成像中观察到的时空动态和计算机视觉。本文的目的是估计在这种情况下的出生和死亡的强度函数,这取决于在充分的一般性的当前空间配置的所有活着的个人。虽然总体规模的时间演化是一个简单的出生-纯灭过程,但观察所有个体的生命和轨迹需要一个新的范式。为了形式化这个框架,我们引入空间出生-死亡-移动过程,其中出生和死亡动态取决于当前的空间配置的人口和个人可以移动在其一生中根据一个连续的马尔可夫过程可能的相互作用。设置是原始的,因为每个观察时间属于一个非矢量的,无限维的空间和观察之间的依赖关系几乎是难以处理的。在相当简单的条件下,我们证明了连续时间和离散时间观测的估计的一致性。此外,我们讨论了如何利用在实践中的强度函数的结构假设,我们解释了如何数据驱动的带宽选择可以进行,尽管未知(有时未定义)的二阶矩的估计。最后,我们应用我们的统计方法来分析蛋白质的时空动态参与胞吐在细胞中,提供了新的见解,这个复杂的机制。
2021-07-13 math.PR math.ST stat.ME