High-Dimensional Bayesian Geostatistics
随着地理信息系统和方便用户的软件的能力不断增强,统计人员今天经常会遇到含有大量空间位置和时间点观测数据的地理参照数据。在过去的十年中,层次时空过程模型已成为广泛部署的统计工具,为研究人员更好地了解空间和时间变异的复杂性。然而,拟合分层时空模型通常涉及昂贵的矩阵计算,其复杂度对于空间位置和时间点的数量以立方阶增加。这使得这种模型对于大型数据集不可行。本文提供了一个重点审查的两种方法来构建定义良好的高度可扩展的时空随机过程。这两个过程都可以作为时空随机场的“先验”。第一种方法构造了一个低秩的过程在一个低维的子空间上运行。第二种方法构造了一个最近邻高斯过程(NNGP),以确保其有限实现的稀疏精度矩阵。这两个过程都可以作为嵌入在丰富的分层建模框架中的可扩展先验来利用,以提供完整的贝叶斯推断。这些方法可以被描述为基于模型的解决方案的大时空数据集。模型确保算法复杂度具有$\sim n$浮点运算(触发器),其中$n$是空间位置的数量(每次迭代)。我们比较这些方法,并提供一些见解,他们的方法论基础。
2017-05-20 stat.ME
Bayesian model-based spatiotemporal survey design for log-Gaussian Cox process
在地质统计学中,数据收集的设计是精确预测和参数推断的核心。一类重要的地质统计模型是对数高斯Cox过程(LGCP),它被广泛使用,例如,在生态学中。然而,没有正式的分析LGCP模型的最优设计。在这项工作中,我们开发了一种新的基于模型的试验设计时空点过程数据的LGCP建模。我们提出了一个新的空间平衡的拒绝抽样设计,直接采样的时空位置,是一个先验的预期提供最多的信息。我们比较了拒绝抽样设计传统的平衡和均匀随机设计,使用平均预测方差损失函数和库尔贝克-莱布勒散度之间的先验和后验的LGCP强度函数。我们的研究结果表明,拒绝抽样方法优于相应的平衡和均匀随机抽样设计LGCP,而后者的工作更好的模型与高斯模型。我们进行了一个案例研究,应用我们的新的抽样设计,计划对芬兰沿海地区的两个商业上重要的鱼类种群的幼虫区的物种分布建模的调查。实例研究结果表明,与传统设计相比,拒绝抽样设计具有相当大的优势。结果还表明,最佳性能的设计可能会有很大的不同目标物种。
2018-08-28 stat.ME
Learning Temporal Evolution of Spatial Dependence with Generalized Spatiotemporal Gaussian Process Models
大量的科学研究和工程问题涉及到关系复杂的高维时空数据。在本文中,我们专注于一种名为\emph{temporal evolution of spatial dependence (TESD)}的时空相互作用,这是一个零时滞时空协方差。为此,我们提出了一种新的贝叶斯非参数方法基于非平稳时空高斯过程(STGP)。经典的STGP协方差核在空间和时间上是可分离的,不能表征TESD。最近关于不可分离STGP的工作将位置和时间一起作为联合变量处理,这是不必要的低效。我们推广STGP(gSTGP)的空间内核的时间依赖性,通过改变其特征值随时间的Mercer的表示。由此产生的非平稳不可分离的协方差模型裸露出一个拟Kronecker和结构。最后,联合协方差的分层贝叶斯模型,提出了允许充分的灵活性,在学习TESD。对阿尔茨海默病患者的模拟研究和纵向神经影像学分析表明,所提出的方法是(统计)有效和(计算)有效的特征TESD。gSTGP的理论性质,包括后验压缩(协方差)进行了研究。
2022-08-19 stat.ME
Enhancing Scalability in Bayesian Nonparametric Factor Analysis of Spatiotemporal Data
针对中大型时空数据的贝叶斯非参数因子分析计算瓶颈,提出切片采样、最近邻高斯过程先验和顺序更新算法,提升可扩展性、存储效率及预测聚类性能。
2025-02-16 stat.CO stat.ME
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
Dynamic Bayesian Predictive Stacking via Markovian Spatiotemporal Propagation
Università degli studi Milano-Bicocca(米兰比可卡大学);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出了一种自适应马尔可夫时空迁移学习方法,通过矩阵变量高斯分布和贝叶斯预测堆叠实现高效信息共享,提升多变量时空建模的可扩展性和适应性。
2026-11-09 stat.CO stat.ME
Dynamic Bayesian Learning for Spatiotemporal Mechanistic Models
本文提出一种动态贝叶斯学习方法,通过高斯过程回归仿真时空机制模型,实现高效推断与大规模迁移学习,并应用于微分方程反问题。
2025-07-09 stat.ME stat.ML
Spatiotemporal models for Poisson areal data with an application to the AIDS epidemic in Rio de Janeiro
我们提出了一类适用于分析新发传染病的泊松分布数据的时空模型。这些模型假设泊松观测值通过一个链接方程与一个潜在的随机场过程相关。这个潜在的随机场过程随着时间的推移与适当的高斯马尔可夫随机场卷积。我们的方法自然适应灵活的结构,如不同的,但相互作用的时间趋势,每个区域和相邻区域之间的跨时间污染。我们开发了一个贝叶斯分析方法与基于模拟的程序:具体地说,我们构建了一个马尔可夫链蒙特卡罗算法的基础上的广义扩展卡尔曼滤波器来获得样本的近似后验分布。最后,为了比较泊松时空模型,我们提出了一个基于模拟的条件贝叶斯因子。我们说明了我们的泊松时空框架的实用性和灵活性与应用程序的获得性免疫缺陷综合征(艾滋病)病例数在1982-2007年期间在里约热内卢。
2022-06-02 stat.ME
A Framework of Zero-Inflated Bayesian Negative Binomial Regression Models For Spatiotemporal Data
该研究提出一种基于贝叶斯框架的零膨胀负二项回归模型,利用Pólya-Gamma潜变量和最近邻高斯过程处理大规模时空数据中的大量零值,并应用于佛罗里达州COVID-19死亡数据分析。
2024-02-06 stat.CO stat.ME
Spatiotemporal Besov Priors for Bayesian Inverse Problems
Arizona State University(亚利桑那州立大学);Virginia Polytechnic and State University(弗吉尼亚理工大学);University of California - Irvine(加州大学尔湾分校)
本文提出时空Besov过程(STBP)作为贝叶斯逆问题的先验,通过将Besov过程的随机系数替换为Q-指数过程以纳入时间相关性,并在模拟和多个逆问题中验证其优于经典方法。
2025-10-17 stat.ME stat.ML
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
A Bayesian Multisource Fusion Model for Spatiotemporal PM2.5 in an Urban Setting
提出融合多源数据、SPDE 与 INLA 的贝叶斯时空模型,实现大伦敦 1 km 月度 PM2.5 浓度及超标概率的高分辨率不确定性制图。
2025-06-16 stat.AP stat.ME
Moderation effects and elasticities in compositional regression with a total. Application to Bayesian spatiotemporal modelling of all-cause mortality from environmental stressors
University of Girona(赫罗纳大学);Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública, Instituto de Salud Carlos III(公共卫生与流行病学生物医学研究中心,卡洛斯三世健康研究所)
本文提出了一种基于贝叶斯空间时间建模的方法,用于分析环境压力源对全部原因死亡率的影响,考虑总效应和调节效应。
2025-05-12 stat.AP stat.ME
A Bayesian Spatiotemporal Model to Estimate Disease Burden Using Hospital-Based Active Surveillance
针对被动监测易低估疾病负担及主动监测与被动监测数据空间错位问题,受波多黎各医院钩端螺旋体病监测项目启发,开发贝叶斯时空框架,扩展泊松 - 逻辑框架,纳入空间异质性与检测情况,能更好整合数据估计疾病负担。
2026-07-16 stat.AP stat.ME
Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data
McGill University(麦吉尔大学);HEC Montreal(蒙特利尔高等商学院)
本文提出贝叶斯互补核化学习(BCKL)框架,结合核化低秩张量分解与短程高斯过程,实现多维时空数据的高效可扩展概率建模,并在实验中验证了其在后验均值和不确定性估计上的优越性能。
2023-05-30 cs.LG stat.ML
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
Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression
McGill University(麦吉尔大学)
针对时空变系数模型计算成本高难以大规模应用的问题,提出贝叶斯核化张量回归框架,结合低秩张量分解与高斯过程先验,搭配高效MCMC算法,在合成和真实数据上实现了更优的模型估计性能与效率。
2024-04-13 cs.LG stat.ML
Fully Bayesian inference for spatiotemporal data with the multi-resolution approximation
大时空数据集是传统贝叶斯模型的一个挑战,因为在多元正态密度下获得协方差阵的Cholesky分解的算法具有立方计算复杂度。此外,用于后验估计的标准数值算法,例如马尔可夫链蒙特卡罗(MCMC),在这种情况下是难以处理的,因为它们需要数千(如果不是数百万的话)昂贵的似然估计。为了克服这些限制,我们提出了IS-MRA(重要性抽样-多分辨率近似),它利用了稀疏的逆协方差结构产生的多分辨率近似(MRA)的方法。IS-MRA是完全贝叶斯的,便于近似的超参数边缘后验分布。我们应用IS-MRA大型MODIS 3级地表温度(LST)数据集,采样于2012年5月18日至5月31日在印度马哈拉施特拉邦西部。我们发现,IS-MRA可以产生逼真的预测表面的区域集中失踪,造成相当大的云层覆盖,观察。通过验证分析和模拟研究,我们还发现,预测往往是非常准确的。
2021-04-15 stat.CO
Exact Bayesian inference for level-set Cox processes with piecewise constant intensity function
针对一类强度函数为分段常数的多维Cox过程,提出了一种新的贝叶斯推断方法。具有分段恒定强度函数的泊松过程被认为适合于对各种点过程现象进行建模,并且鉴于其更简单的结构,当与具有非参数和连续变化强度函数的过程相比时,预计将提供更精确的推断。空间域的划分由潜在的高斯过程的水平集函数灵活地确定。尽管棘手的似然函数和无穷维的参数空间,推理是准确地执行,在这个意义上,没有空间离散近似使用和MCMC误差是唯一的来源不准确。这是通过使用回顾性抽样技术和设计一个伪边缘的无限维MCMC算法,收敛到准确的目标后验分布。考虑最近邻高斯过程有利于计算效率,从而允许分析大型数据集。扩展到考虑时空模型也提出了。在模拟的例子中,所提出的方法的效率进行了研究,并在一些真实的点过程数据集的分析说明其适用性。
2022-11-15 stat.ME
Approximate Bayesian Inference for the Interaction Types 1, 2, 3 and 4 with Application in Disease Mapping
我们在本文中解决了一个新的方法来拟合时空模型与应用在疾病映射使用的相互作用类型1,2,3和4。当我们考虑疾病映射模型中的时空相互作用时,推理在揭示数据中的未知模式方面变得更加有用。然而,当位置数量和/或时间点数量很大时,由于推理所需的大量约束,推理在计算上变得具有挑战性,并且这适用于各种推理架构,包括马尔可夫链蒙特卡罗(MCMC)和集成嵌套拉普拉斯近似(INLA)。我们重新制定INLA方法的基础上,密集矩阵,以适应固有的时空模型与四种类型的相互作用和帐户的总和为零的约束,并讨论如何新的方法可以实现在一个高性能的计算框架。使用新方法的计算时间不依赖于约束的数量,并且在现实场景中可以达到比INLA快40倍的速度。通过仿真研究和实际数据应用验证了该方法,并在R包INLAPLUS和Python头函数inla 1234()中实现。
2022-06-18 stat.CO stat.ME stat.OT
Bayesian mitigation of spatial coarsening for a Hawkes model applied to gunfire, wildfire and viral contagion
自激时空霍克斯过程在大规模公共卫生威胁的研究中得到越来越多的应用,从枪支暴力和地震到野火和病毒传染。然而,许多这样的应用具有位置不确定性,即,单个事件的精确空间位置是未知的,迄今为止的大多数霍克斯模型分析都忽略了数据中存在的空间粗化。21世纪的三个特殊公共卫生危机--城市枪支暴力、农村野火和全球病毒传播--呈现出定性和定量不同的不确定性机制,表现出(a)空间粗化的不同集体幅度,(b)均匀和混合幅度粗化,(c)形状不同的不确定区域,以及-不太正统-(d)位置数据分布在“错误”的有效空间内。我们明确地以贝叶斯方式对这种不确定性进行建模,并联合推断未知位置以及合理灵活的霍克斯模型的所有参数,从而获得与忽略空间粗化时获得的结果在实际和统计上不同的结果。这项工作还具有两个不同的次要贡献:第一,为了方便贝叶斯推断的位置和背景速率参数,我们作出了微妙的,但关键的变化,以建立基于核的速率模型;第二,为了便于大规模的相同贝叶斯推断,我们开发了一个大规模并行实现模型的日志-关于位置的似然梯度,从而避免其在哈密顿蒙特卡罗的上下文中的二次计算成本。我们的例子涉及成千上万的观察,并允许我们在中等规模上证明实用性。
2021-07-12 stat.ME
A Bayesian spatiotemporal model for reconstructing climate from multiple pollen records
全新世(过去12,000年)的温度变化,包括从最后一个冰河时代到温暖气候的过渡,在芬兰南部,瑞典和爱沙尼亚的多个地点根据湖泊沉积物岩心的花粉化石数据进行重建。提出了一种新的贝叶斯统计方法,允许重建的温度历史,通过共享的环境响应参数和空间依赖性进行交互。过去温度的先验分布部分基于数值气候模拟。重建中的特征与基于更常用的重建技术的定量气候重建一致。结果表明,新的时空方法可以提供更平滑,更少的不确定性和更真实的比特定地点的个人重建的定量重建。
2015-11-05 stat.AP
Bayesian spatiotemporal modeling of passenger trip assignment in metro networks
针对地铁乘客出行路径分配逆问题,提出带核化张量分解的贝叶斯分层模型,通过定制MCMC算法推断,在香港地铁数据上精度优于基准,可量化不确定性并支撑交通运营。
2026-11-17 stat.AP
Highly Scalable Bayesian Geostatistical Modeling via Meshed Gaussian Processes on Partitioned Domains
本文介绍了一类可扩展的贝叶斯层次模型,用于分析海量地统计数据集。其基本思想结合了高维地质统计学的思想,通过划分空间域和使用稀疏诱导有向无环图(DAG)对分区中的区域进行建模。我们扩展的模型在DAG的一个定义良好的空间过程,我们称之为网格高斯过程(MGP)。一个主要的贡献是一个MGP的发展镶嵌域,伴随着一个吉布斯采样器的空间随机效应的有效恢复。特别是,立方MGP(Q-MGP)可以通过在吉布斯采样器内并行执行所有大规模操作来利用高性能计算资源,与顺序更新方案相比,改善了混合和计算时间。与一些现有的大型空间数据模型不同,Q-MGP有利于大量缓存昂贵的矩阵运算,使其特别适合处理时空遥感数据。我们将Q-MGP与大型合成和真实世界数据进行比较,以对抗最先进的方法。我们还说明了使用归一化差异植被指数(NDVI)数据从塞伦盖蒂公园地区恢复潜在的多变量时空随机效应在数百万个位置。源代码可在https://github.com/mkln/meshgp上获得。
2020-10-05 stat.CO stat.ME
Spatiotemporal Dynamics of Conflict Occurrence and Fatalities in Ethiopia: A Bayesian Model and Predictive Insights Using Event-level Data (1997--2024)
Bahir Dar University(巴希尔达尔大学);LUT University(拉赫蒂理工大学);Mekdela Amba University(梅克拉阿姆巴大学)
本研究提出时空双重贝叶斯模型,利用埃塞俄比亚1997-2024年ACLED事件数据,结合固定与随机效应分析冲突死亡发生与人数,揭示时空聚集特征及风险因素,为政策规划提供依据。
2025-11-02 stat.AP
Spatiotemporal Clustering with Neyman-Scott Processes via Connections to Bayesian Nonparametric Mixture Models
University of Michigan(密歇根大学);Stanford University(斯坦福大学);New York University(纽约大学);Flatiron Institute(弗拉蒂伦研究所);Wu Tsai Neurosciences Institute(吴蔡神经科学研究所)
本文揭示了Neyman-Scott过程与Dirichlet过程混合模型通过有限混合模型建立的新联系,借此改编坍缩吉布斯采样算法实现可扩展贝叶斯推断,并验证了其在神经脉冲序列与文档流等时空数据聚类任务中的有效性。
2023-09-11 cs.LG stat.ML
Bayesian Functional Mixed-Effects Model with Gaussian Process Responses for Wavelet Spectra of Spatiotemporal Colonic Manometry Signals
目的:我们提出了一种技术,用于识别和统计分析的准周期时空压力信号记录从多个紧密间隔的传感器在人类结肠。方法:通过对记录信号进行连续小波变换和互小波变换来实现识别。统计分析是通过将频率域和频率-相位域中的时间平均振幅或相干性建模为规则网格上的高斯过程来实现的,其受到由试验设计指定为混合效应模型的分类和数值预测因子的影响。用哈密顿蒙特卡罗方法推导了模型参数。结果与结论:我们提出了一种应用这种方法的结肠测压数据在健康对照,以确定不同的结肠区域之间的压力信号的频谱的统计差异,并在响应膳食干预。我们能够成功地识别和对比各种预测之间的压力信号的频谱特征。重要性:这种新的方法提供了快速分析的压力信号的详细程度的数量级超出了以前可用的。所提出的易处理的混合效应模型广泛适用于具有功能反应的试验设计。
2019-12-05 q-bio.QM stat.AP
Scalable Changepoint Detection for Large Spatiotemporal Data on the Sphere
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington in St. Louis(华盛顿大学圣路易斯分校)
本文提出了一种基于多项式概率模型和高斯过程的贝叶斯框架,用于高效检测大规模球面时空数据中的突变点,通过SPDE和球面谐波变换实现计算效率与精度的平衡。
2026-02-12 stat.CO stat.ME
Deep Bayesian Active Learning for Accelerating Stochastic Simulation
University of California, San Diego(加州大学圣地亚哥分校);Northeastern University(东北大学)
本文提出深度贝叶斯主动学习框架INP,通过STNP代理模型与潜在空间采集函数LIG加速随机模拟,并在理论和三类时空仿真器上验证其优势。
2023-06-05 cs.LG stat.ML
A Scalable Bayesian Spatiotemporal Model for Water Level Predictions using a Nearest Neighbor Gaussian Process Approach
针对大规模水文数据预测挑战,提出贝叶斯时空最近邻高斯过程模型,通过稀疏精度矩阵实现可扩展性,在爱尔兰301个站点90天水位数据上优于对比方法。
2026-06-23 stat.AP
Bayesian Calibration and Uncertainty Quantification for a Large Nutrient Load Impact Model
针对芬兰 FICOS 营养盐负荷模型计算昂贵、预测不确定性难评估的问题,提出结合贝叶斯优化与高斯过程仿真器的校准和概率预测方法,揭示大幅减排下群岛海达标概率仍低。
2024-10-03 stat.ME
A Hierarchical Bayesian Model for Stochastic Spatiotemporal SIR Modeling and Prediction of COVID-19 Cases and Hospitalizations
大多数COVID-19预测建模工作使用统计或数学模型来预测未来国家和州一级的COVID-19病例或死亡人数。这些方法假设生殖时间、检测阳性率、住院率和社会干预有效性(掩蔽、距离和流动性)等参数是恒定的。然而,COVID-19大流行的一个确定性是,这些参数会随着时间的推移而变化,并且在不同的县和州之间存在差异。事实上,随着时间的推移,地区传播率、住院率、住院时间和死亡率、易感人口比例、检测阳性率和社会行为都可能发生显著变化。因此,量化不确定性对于对未来做出有意义和准确的预测至关重要。贝叶斯方法是在数学模型中完全表示这种不确定性的自然方法,并且在物理和工程模型中特别受欢迎。Mayo COVID-19模型将时变参数和不确定性量化明确集成到分层贝叶斯预测模型中,这使Mayo COVID-19模型有别于其他预测模型。通过使用贝叶斯方法在参数估计和未来趋势中考虑所有不确定性来源,Mayo COVID-19模型准确预测了未来病例和住院情况以及不确定性程度。这种方法非常准确,是梅奥诊所应对COVID-19大流行的关键。该模型准确地预测了梅奥诊所夏季和秋季激增的时间和程度,使医院领导层能够有效地管理资源,以提供成功的流行病应对。这个模型也被证明是非常有用的明尼苏达州,以帮助指导困难的政策决定。
2021-04-08 stat.AP
Violent event-related fatality patterns in Ethiopia: a Bayesian spatiotemporal perspective
Ambo University(阿姆博大学);Federal University of Technology, Akure(阿库雷联邦理工大学)
本研究针对埃塞俄比亚武装冲突暴力致死问题,提出两部分零膨胀贝叶斯广义加性混合模型,整合时空成分分析死亡模式,揭示地区差异与时间趋势,为相关决策提供科学依据。
2025-11-15 stat.AP
Bayesian Optimization for Dynamic Problems
我们提出了实用的扩展贝叶斯优化解决动态问题。我们使用时空高斯过程先验来建模动态目标函数,该先验捕获函数随时间的所有实例。我们对贝叶斯优化的扩展使用从该模型中学习到的信息来指导对时间演化最小值的跟踪。通过利用时间相关性,所提出的方法还确定何时进行评估,以多快的速度进行这些评估,并根据可用信息得出适当的步骤预算。最后,我们评估我们的技术在合成和现实世界的问题。
2018-03-09 stat.ML
Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting
Northeastern University(东北大学);McGill University(麦吉尔大学);MIT(麻省理工学院)
由于传感器故障引起的传感不连续性,缺失传感器数据填补在结构健康监测(SHM)领域中普遍存在。为了解决这个基本问题,本文提出了一种增量贝叶斯张量学习方法,用于SHM中时空缺失数据的重建和结构响应的预测。特别是,首先构建时空张量,然后进行贝叶斯张量因子分解,提取潜在的功能缺失数据填补。为了使结构响应预测的基础上不完整的传感数据,张量分解进一步集成与向量自回归增量学习计划。所提出的方法的性能进行了验证连续的现场传感数据(包括应变和温度记录)的混凝土桥梁,应变时间历程是高度相关的温度记录的假设的基础上。结果表明,所提出的概率张量学习方法是准确的和强大的,即使在存在较大的随机缺失率,结构化缺失和它们的组合。秩的选择的插补和预测性能的影响进行了研究。结果表明,对于随机缺失,秩越高,估计精度越高;对于结构性缺失,秩越低,估计精度越高。
2020-07-17 cs.LG cs.NA math.NA
Achieving a Hyperlocal Housing Price Index: Overcoming Data Sparsity by Bayesian Dynamical Modeling of Multiple Data Streams
了解住房价值如何随着时间的推移而演变对政策制定者,消费者和房地产专业人士非常重要。构建住房指数的现有方法是在粗空间粒度上计算的,例如大都市地区,这可能会掩盖或扭曲当地市场中明显的价格动态,例如社区和人口普查区。例如,在人口普查区一级进行估计的一个挑战是时空定位的房屋销售观测的稀疏性。我们的工作旨在通过利用发现具有相关估值动态的多个人口普查区域的观察来应对这一挑战。我们提出的贝叶斯非参数方法建立在潜在因素模型的框架上,以实现一个灵活的,数据驱动的方法来推断相关的人口普查区域的聚类。我们探索的方法,可扩展性和并行计算,产生一个住房估价指数在人口普查区的水平,而不是邮政编码,并在每月的基础上,而不是季度。我们的分析是在一个大型西雅图大都市住房数据集上提供的。
2015-05-05 stat.AP stat.ME stat.ML
Is Gun Violence Contagious?
现有的枪支暴力理论预测枪支暴力会稳定地在空间上集中并向周边地区蔓延。最近的实证研究报告了枪支暴力这种时空扩散的确凿证据。然而,现有的测试不能很容易地区分时空聚类和时空扩散。这就留下了一个悬而未决的问题,枪支暴力是否真的具有传染性,或者仅仅是在空间和时间上的集群。使这个问题更加复杂的是,枪支暴力受到相当大的测量误差的影响,许多非致命的枪击事件没有向警方报告。使用点过程数据从声学枪击定位系统和贝叶斯时空点过程建模和空间/时间相互作用的测试相结合,本文表明,当代城市枪支暴力扩散,但只有轻微的,表明枪支暴力的传染性传播的疾病模型是一个不适合的地理稳定和时间随机过程观察。
2016-11-21 stat.AP
Scalable and Communication-Efficient Varying Coefficient Mixed Effect Models: Methodology, Theory, and Applications
Georgia State University(佐治亚州立大学)
针对大规模分布式数据下的变系数混合模型,提出一种基于贝叶斯分层表示和充分统计量的通信高效推断框架,实现一阶有效估计,并通过SVD增强处理病态协方差,理论证明似然保持、收敛性和渐近效率,模拟和迁移数据验证了可扩展性和动态空间模式恢复。
2026-05-28 stat.ME
Conditional logistic individual-level models of spatial infectious disease dynamics
本文提出条件逻辑个体级模型(CL-ILM),以降低时空传染病建模的计算负担,并支持标准逻辑回归软件在频率学派或贝叶斯框架下拟合,通过模拟数据和英国2001年口蹄疫数据验证其有效性。
2024-09-04 stat.CO
Understanding Past Population Dynamics: Bayesian Coalescent-Based Modeling with Covariates
有效群体大小是群体遗传变异的特征,是群体遗传学中最重要的参数。Kingman的聚结过程使得能够直接从分子序列数据推断过去的种群动态,并且研究人员已经开发了许多灵活的基于聚结的模型,用于贝叶斯非参数估计作为时间的函数的有效种群大小。人口重建的一个主要目标是了解有效人口规模和潜在解释因素之间的关联。贝叶斯非参数合并为基础的方法的基础上,我们引入了一个灵活的框架,通过高斯马尔可夫随机场随时间变化的协变量。为了近似后验分布,我们采用高效的马尔可夫链蒙特卡罗算法设计的高度结构化的高斯模型。将协变量纳入人口统计推断框架,可以在考虑人口历史不确定性的同时,对有效人口规模和协变量之间的关联进行建模。此外,它可以导致更精确的人口动态估计。我们将我们的模型应用于四个例子。我们重建了北美浣熊狂犬病的人口统计学历史,发现与疫情的时空传播有重要关联。接下来,我们检查了波多黎各DENV-4病毒的有效种群规模轨迹以及病毒分离株计数数据,并发现了类似的循环模式。我们将喀麦隆HIV-1 CRF02_AG分支的人口历史与HIV发病率和流行率数据进行比较,发现有效人口规模更能反映发病率。最后,对晚第四纪麝牛种群动态与气候变化的关系进行了初步探讨。
2016-01-19 q-bio.PE stat.ME
A Bayesian Markov-switching SAR model for time-varying cross-price spillovers
本文提出一种贝叶斯马尔可夫切换SAR模型,通过引入权重矩阵与空间自回归参数的时变动态,识别不同状态下的连接模式,并应用于15个欧盟国家CPI数据,揭示了交叉价格溢出效应的国家间差异。
2023-10-30 econ.EM stat.AP
Hierarchical Bayesian Modeling of Total Column Ozone: Unraveling Equatorial Variability over Ethiopia Using Satellite Data and Multisource Covariates
本研究利用INLA贝叶斯分层模型和SPDE方法分析埃塞俄比亚2012-2022年总柱臭氧时空动态,发现模型预测准确且揭示了环境协变量的正负关联,为赤道臭氧悖论提供新见解并支持气候政策规划。
2025-07-11 stat.AP
Ensembling geophysical models with Bayesian Neural Networks
University of Cambridge(剑桥大学);Lancaster University(兰卡斯特大学);British Antarctic Survey(英国南极调查局)
地球物理模型的集合提高了投影精度并表达了不确定性。我们开发了一种新的数据驱动的集成策略,使用贝叶斯神经网络,推断时空变化的模型权重和偏差,同时考虑异方差的不确定性的观察相结合的地球物理模型。这产生了更准确和不确定性感知的预测,而不会牺牲可解释性。应用于15个化学气候模型的集成总柱臭氧的预测,我们发现贝叶斯神经网络集成(BayNNE)优于现有的集成方法,实现了49.4%的时间外推的RMSE减少,和67.4%的RMSE减少极地数据空隙,相比加权平均值。不确定性也得到了很好的表征,我们的外推验证数据集中90.6%的数据点在2个标准差内,98.5%在3个标准差内。
2020-10-07 cs.LG physics.geo-ph stat.AP
Sparse Bayesian Lasso via a Variable-Coefficient $\ell_1$ Penalty
本文提出一种变系数 $\ell_1$ 惩罚的稀疏贝叶斯 Lasso 方法,通过可学习惩罚权重减少偏差,应用于变分贝叶斯,实现低偏差和不确定性量化,计算效率高,并成功应用于伊拉克内战流离失所数据的时空建模。
2023-05-12 stat.CO stat.ME stat.ML
Deep Random Features for Scalable Interpolation of Spatiotemporal Data
University College London(伦敦大学学院);PhysicsX;California Institute of Technology(加州理工学院)
本文提出一种基于贝叶斯深度学习的时空数据插值方法,利用深度随机特征扩展捕捉高频模式,支持大规模训练,在遥感数据上表现优于现有方法。
2024-12-16 cs.LG stat.ML
Bayesian Hidden Physics Models: Uncertainty Quantification for Discovery of Nonlinear Partial Differential Operators from Data
GE Research(通用电气研究中心)
关于物理学,数据告诉了我们什么,它们没有告诉我们什么?人们对使用机器学习模型从数据中发现微分方程等支配性物理定律的兴趣激增,但目前的方法缺乏不确定性量化来传达其可信度。这项工作从贝叶斯的角度解决了这个缺点。我们介绍了一种新的模型,包括“叶”模块,学习代表不同的实验的时空功能数据作为神经网络和一个单一的“根”模块,表示其管理的非线性微分算子作为高斯过程的非参数分布。自动微分用于从叶函数计算所需的偏导数作为根的输入。我们的方法量化的可靠性的学习物理学的后验分布在运营商和传播这种不确定性的解决方案的新的初边值问题的实例。数值实验证明了该方法对几个非线性偏微分方程。
2020-06-07 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
A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks
HEC Montréal(蒙特利尔高等商学院);University of Waterloo(滑铁卢大学);McMaster University(麦克马斯特大学);Polytechnique Montréal(蒙特利尔理工学院);Centre Interuniversitaire de Recherche sur les rÉseaux d’Entreprise, la Logistique et le Transport (CIRRELT)(企业网络、物流与运输跨大学研究中心)
本文提出一种贝叶斯框架,用于预测地铁网络灾后旅行时间,通过考虑分布灵活性和误差依赖性,提高预测精度和不确定性量化。
2026-02-23 stat.AP stat.ME stat.ML
A Potts-Mixture Spatiotemporal Joint Model for Combined MEG and EEG Data
我们开发了一种新的方法来确定脑磁图(MEG)和脑电图(EEG)数据相结合的大脑活动的位置和动力学。由此产生的逆问题是不适定的,是神经影像数据分析中最困难的问题之一。在我们的开发中,我们提出了一种解决方案,将来自三种不同模态(MRI,MEG和EEG)的数据结合在一起。我们提出了一个新的贝叶斯空间有限混合模型,建立在Daunizeau和Friston(2007)开发的中观空间模型。我们的新模型结合了两个主要的扩展:(i)我们将EEG和MEG数据结合在一起,并制定了一个联合模型,用于同时处理这两种模式;(ii)我们将Potts模型表示分配过程中的空间依赖性,该分配过程将皮层表面划分为少量的潜在状态,称为中间状态。皮质表面由MRI获得。我们制定了新的时空模型,并推导出一个有效的过程,同时点估计和模型选择的迭代条件模式算法结合局部多项式平滑。所提出的方法的结果在一个新的估计的混合物成分的数量,并能够选择活跃的大脑区域对应于活跃的变量在一个高维动态线性模型。使用合成数据和模拟研究的方法进行了研究,然后证明了应用程序检查神经反应的感知混乱的面孔。实现该方法的R软件以及几个示例数据集可在以下GitHub存储库https://github.com/v2south/PottsMix中获得。
2019-07-20 stat.AP
Spatiodynamic inference using vision-based generative modelling
针对传统时空动力学推断降维牺牲数据结构的问题,提出结合视觉Transformer变分编码与无似然贝叶斯的模拟推断框架,通过潜在嵌入网格检索参数,保留动力系统丰富性以识别多变量系统的时空模式。
2025-07-29 q-bio.PE q-bio.QM stat.AP
Large-Scale Cox Process Inference using Variational Fourier Features
高斯过程调制泊松过程为时空点模式的建模提供了一个灵活的框架。到目前为止,这一直局限于一维,将其合并到预先确定的网格,或多达几千个数据点的小数据集。本文介绍了基于傅立叶特征的Cox过程推断。这种稀疏表示在函数空间上引入全局约束而不是局部约束,并且计算效率高。这使我们能够制定一个无网格的近似,以及与数据点的数量和域的大小的规模。我们证明,这使得MCMC近似的非高斯后验。我们还发现,在实践中,傅立叶特征具有更一致的优化行为比以前的方法。我们的近似贝叶斯方法可以在单个GPU上以三维形式拟合超过100,000个具有复杂时空模式的事件。
2018-04-03 cs.LG stat.ML
WOMBAT v2.S: A Bayesian inversion framework for attributing global CO$_2$ flux components from multiprocess data
School of Mathematics and Applied Statistics, University of Wollongong(伍伦贡大学数学与应用统计学院);School of Physics, Mathematics, and Computing, University of Western Australia(西澳大利亚大学物理、数学与计算学院);Cooperative Institute for Research in the Atmosphere (CIRA), Colorado State University(科罗拉多州立大学大气研究合作研究所(CIRA));Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
WOMBAT v2.S通过结合SIF和CO₂观测数据,改进了全球自然通量的归因分析,提升了通量估计的准确性和季节性结构。
2025-03-12 physics.ao-ph stat.AP
Scalable Bayesian inference for self-excitatory stochastic processes applied to big American gunfire data
霍克斯过程及其扩展有效地模拟了自兴奋现象,包括地震、病毒性流行病、金融交易、神经尖峰序列和通过社交网络传播的模因。这些随机过程模型在许多经济部门和科学学科中的有用性被过程的计算负担所削弱:似然估计的复杂性随着时间和时空霍克斯过程的观测数量的二次增长而增加。我们表明,小心,可以并行化这些计算使用中央和图形处理单元实现,以实现超过100倍的加速比单核处理。使用简单的自适应Metropolis-Hastings方案,我们将我们的高性能计算框架应用于2006年至2019年在华盛顿特区生成的大枪击数据的贝叶斯分析,从而将过去对相同数据的分析从10,000次以下扩展到85,000次以上。为了鼓励广泛使用,我们提供了hpHawkes,一个开源的R包,并讨论了高层次的实现和程序设计,以利用在大数据环境中变得必要的计算硬件方面。
2020-05-13 stat.AP
Semi-Amortized Bayesian Inference with Reusable Local Posteriors
University of Amsterdam(阿姆斯特丹大学);TU Dortmund University(多特蒙德工业大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出半摊销贝叶斯推理方法,将参数分块并训练神经估计器近似各块条件后验,通过马尔可夫链交替抽样与常规更新,在高维复杂模型中实现高效贝叶斯估计。
2026-10-15 cs.LG stat.ML