[論文レビュー] Modeling Multivariate Spatial-Temporal Data with Latent Low-Dimensional Dynamics

Elynn Y. Chen, Yun Xin+2 more|arXiv (Cornell University)|Feb 2, 2020

Spatial and Panel Data Analysis参考文献 41被引用数 5

ひとこと要約

本論文は、高次元データにおける変数、空間、時間的依存性を同時に捉えるために、潜在的な低次元動的構造を活用する画期的な多次元空間時系列モデルを提案する。多次元要因分析と非パラメトリックな潜在的経験的直交関数（EOF）を組み合わせることで、複雑な共分散構造を保持したまま顕著な次元削減を達成し、定期的な時系列サンプリングを持つ不規則な空間配列データに対しても、効率的かつ正確な空間時系列予測を可能にする。

ABSTRACT

High-dimensional multivariate spatial-temporal data arise frequently in a wide range of applications; however, there are relatively few statistical methods that can simultaneously deal with spatial, temporal and variable-wise dependencies in large data sets. In this paper, we propose a new approach to utilize the correlations in variable, space and time to achieve dimension reduction and to facilitate spatial/temporal predictions in the high-dimensional settings. The multivariate spatial-temporal process is represented as a linear transformation of a lower-dimensional latent factor process. The spatial dependence structure of the factor process is further represented non-parametrically in terms of latent empirical orthogonal functions. The low-dimensional structure is completely unknown in our setting and is learned entirely from data collected irregularly over space but regularly over time. We propose innovative estimation and prediction methods based on the latent low-rank structures. Asymptotic properties of the estimators and predictors are established. Extensive experiments on synthetic and real data sets show that, while the dimensions are reduced significantly, the spatial, temporal and variable-wise covariance structures are largely preserved. The efficacy of our method is further confirmed by the prediction performances on both synthetic and real data sets.

研究の動機と目的

• 変数、空間、時間の3つにわたる同時依存性を有する複雑な高次元多次元空間時系列データをモデル化する課題に対処すること。
• 変数、空間、時間の全共分散構造を保持したまま次元削減を達成すること。
• 不規則な空間サンプリングと定期的な時系列観測を伴う効率的な推定および予測手法の開発。
• 提案された推定量および予測量の理論的漸近的性質の確立。
• 合成データおよび実世界の環境データセットを用いた、手法の性能評価。

提案手法

• 多次元空間時系列過程は、低次元の潜在的要因過程の線形変換としてモデル化され、要因過程が変数間の相関を捉える。
• 潜在的要因過程における空間的依存性は、潜在的経験的直交関数（EOF）を用いて非パラメトリックに表現され、空間負荷関数と呼ばれる。
• 空間負荷関数の係数は時変であり、これによりモデルが時間的ダイナミクスを捉えることが可能になる。
• n個の空間位置からの観測は、n×p行列の時系列に再構成され、推定のための行列要因モデルとして再定式化される。
• 推定は空間ノイズ効果の白色性を活用し、空間負荷関数には非パラメトリックスムージングを組み込む。
• 新しい空間位置および将来の時刻の予測は、推定された潜在的低ランク構造に基づいて実施される。

実験結果

リサーチクエスチョン

• RQ1 低ランク潜在的要因モデルは、高次元空間時系列データにおける空間的・時間的・多次元的依存性を効果的に捉えることができるか？
• RQ2 不規則な空間配列データと定期的な時系列サンプリングから、非パラメトリックな空間負荷関数をどのように推定できるか？
• RQ3 次元削減の過程で、元の空間時系列共分散構造はどの程度保持されるか？
• RQ4 実世界の環境データにおいて、本手法の予測性能は標準的手法と比べてどのように異なるか？
• RQ5 非パラメトリックで低ランクな枠組みにおける推定量および予測量の理論的漸近的性質は何か？

主な発見

• 提案手法は、合成データおよび実データの両方において、空間的・時間的・変数別共分散構造を保持したまま顕著な次元削減を達成した。
• 潜在的要因の推定された空間時系列共分散構造は、全データの標本共分散とよく一致しており、テストセットのヒートマップで示された。
• CCDSデータセットにおける時系列予測では、9年間の学習データを用いた1ステップ予測の平均二乗予測誤差（MSPE）は0.574（SD 0.141）であった。
• 5年間の学習データを用いた2ステップ予測では、MSPEが0.682（SD 0.225）に上昇したが、予測期間が延びても安定性が保たれていた。
• 計算コストを顕著に削減した—9年間の学習データを用いた場合、学習時間はたったの1.55分（SD 0.20）であった—大規模データのスケーラブルな解析を可能にした。
• 推定量および予測量の理論的漸近的性質が厳密に確立され、手法の統計的妥当性を裏付けた。