.png){kind=icon}
返回
Structural Identification for Spatio-Temporal Dynamic Models
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2612774.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别空间趋势中的潜在聚类结构在多种应用中是一项重要但具有挑战性的任务。本文提出了一种基于小空间块差异度量的新方法，能够有效揭示动态空间数据内的异质性。该方法有效检测到结构变化发生的边界，从而能够更细致地洞察潜在的空间模式。与基于强平稳性假设的方法不同，本框架可容纳分段定义的参数和不规则采样位置，使其适用于真实数据集的广泛应用。此外，我们借助空间物理依赖的概念，建立了所提方法的大样本性质和极限分布，以考虑跨空间域的相关性。模拟和真实数据分析证实了该方法的有效性，突显了其在识别复杂时空结构方面的稳健性和准确性。本研究的补充材料可在网上获取，包括可重现研究的材料标准化描述。
Keyword:
Boundary detection
Functional coefficient
Spatial clustering
Temporal change points
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
Cost, Energy, and Environmental Impact of Automated Electric Taxi Fleets in Manhattan曼哈顿自动电动出租车车队的成本，能源和环境影响
OAAI
.png){kind=icon}
OAAI分享收藏Estimation for semiparametric nonlinear regression of irregularly located spatial time-series dataOAAI
OAAI分享收藏Simultaneous detection of climate change and observing biases in a network with incomplete samplingOAAI
OAAI分享收藏分享收藏
查看更多内容