[論文レビュー] Space-Time Covariance Models on Networks with An Application on Streams

Jun Tang, Dale L. Zimmerman|arXiv (Cornell University)|Sep 30, 2020

Bayesian Methods and Mixture Models参考文献 38被引用数 5

ひとこと要約

本稿は、空間埋め込みとスケール混合技術を用いて、一般化線形ネットワーク（特にユークリッドツリー）上における確率過程の有効で非分離な時空間共分散モデルを開発する。一般化Gneitingクラスと1-対称特徴関数に基づく新規共分散関数を導入し、河川水温データにおいて分離型および線形モデルを上回る優れた予測性能を示す。交差検証において、モデル2が最小のRMSPEおよびCRPSを達成した。

ABSTRACT

The second-order, small-scale dependence structure of a stochastic process defined in the space-time domain is key to prediction (or kriging). While great efforts have been dedicated to developing models for cases in which the spatial domain is either a finite-dimensional Euclidean space or a unit sphere, counterpart developments on a generalized linear network are practically non-existent. To fill this gap, we develop a broad range of parametric, non-separable space-time covariance models on generalized linear networks and then an important subgroup -- Euclidean trees by the space embedding technique -- in concert with the generalized Gneiting class of models and 1-symmetric characteristic functions in the literature, and the scale mixture approach. We give examples from each class of models and investigate the geometric features of these covariance functions near the origin and at infinity. We also show the linkage between different classes of space-time covariance models on Euclidean trees. We illustrate the use of models constructed by different methodologies on a daily stream temperature data set and compare model predictive performance by cross validation.

研究の動機と目的

• 一般化線形ネットワーク上における確率過程の有効な時空間共分散モデルの不足に取り組むこと。特に環境および水文的応用分野を想定する。
• ネットワーク構造をとる定義域上で正定値であるパラメトリックで非分離な共分散関数を構築し、標準的なユークリッド距離に基づくモデルの限界を克服すること。
• 実際の河川水温データに、空間埋め込み、スケール混合、一般化Gneitingクラスの複数のモデル構築手法を適用し、比較すること。
• 交差検証を用いてモデルの性能を評価し、予測精度と計算効率のトレードオフを評価すること。
• 将来的なネットワーク上での時空間過程に関する研究の基盤を提供すること。これには、対数ガウス Cox過程への拡張も含む。

提案手法

• 一般化線形ネットワークをヒルバート空間に埋め込むことで、ユークリッド空間における既知の共分散構造の適用を可能にする。
• 一般化Gneitingクラスの共分散関数と1-対称特徴関数を組み合わせ、ネットワーク上での有効で非分離な時空間モデルを構築する。
• スケール混合アプローチを用いて、幾何的および依存性の性質が柔軟な新しい共分散関数のクラスを生成する。
• 凸錐およびフーリエを用いない特徴化を用いて、正定値性の理論的条件を導出し、ネットワーク定義域上での有効な共分散関数を保証する。
• モデルの適合には最尤推定法を、予測性能の評価には交差検証を用いる。
• 原点付近および無限遠における幾何的挙動を評価するため、周辺および同時共分散構造を可視化する。

実験結果

リサーチクエスチョン

• RQ1 一般化線形ネットワーク上における確率過程の有効で非分離な時空間共分散関数は、どのように構築できるか？
• RQ2 これらの新規共分散モデルの、原点付近および無限遠における幾何的性質と依存性の性質は何か？
• RQ3 空間埋め込み、スケール混合、一般化Gneitingクラスの各構築手法は、実データにおける予測性能においてどのように比較されるか？
• RQ4 時空間モデリングにおけるモデルの複雑さ、計算コスト、予測精度のトレードオフは何か？
• RQ5 これらのモデルは、標準的な分離型または線形モデルを上回り、河川水温動態の予測において優れた性能を示せるか？

主な発見

• ヒルバート空間埋め込みにより構築されたモデル2は、分離型モデルと比較してRMSPEが17.86%低減し、CRPSが21.19%低減するという、最良の予測性能を達成した。
• スケール混合アプローチに基づくモデル3は、モデル2と同等の予測精度を示したが、計算時間は約1/3にまで削減され、非常に高い効率性を示した。
• モデル4では、流れの方向と集水域面積の重みを組み込んだが、性能向上は認められず、このデータセットに対しては選択した物理的共変数に限界があることが示唆された。
• 提案されたすべてのモデルは、合理的な予測精度を達成しており、文献で報告される河川水温予測のRMSPE範囲（1.0–2.7 °C）内に収まった。
• モデル3および5の分散成分の最尤推定値は顕著に高かった（σ² = 15.426および13.137）、が、これにより予測精度が損なわれることなく、良好な性能を維持した。
• モデル2の残差の経験的周辺共分散関数は、適合したモデルとよく一致しており、良好なモデル適合（内挿適合）が得られた。