[论文解读] Krigings Over Space and Time Based on Latent Low-Dimensional Structures

Da Huang, Qiwei Yao+1 more|arXiv (Cornell University)|Sep 22, 2016

Face and Expression Recognition被引用 3

一句话总结

本文提出了一种非参数克里金法，用于基于从不规则空间数据和规则时间数据中学习到的低维潜在因子，对时空过程进行建模。通过结合特征分析、图拉普拉斯正则化和随机划分聚合，该方法在无需参数化协方差假设或空间平稳性的情况下，实现了可扩展、高精度的预测，显著降低了计算成本，同时捕捉了长程空间相关性。

ABSTRACT

We propose a new approach to represent nonparametrically the linear dependence structure of a spatio-temporal process in terms of latent common factors. Though it is formally similar to the existing reduced rank approximation methods (Section 7.1.3 of Cressie and Wikle, 2011), the fundamental difference is that the low-dimensional structure is completely unknown in our setting, which is learned from the data collected irregularly over space but regularly over time. Furthermore a graph Laplacian is incorporated in the learning in order to take the advantage of the continuity over space, and a new aggregation method via randomly partitioning space is introduced to improve the efficiency. We do not impose any stationarity conditions over space either, as the learning is facilitated by the stationarity in time. Krigings over space and time are carried out based on the learned low-dimensional structure, which is scalable to the cases when the data are taken over a large number of locations and/or over a long time period. Asymptotic properties of the proposed methods are established. Illustration with both simulated and real data sets is also reported.

研究动机与目标

• 开发一种适用于空间和时间的可扩展非参数克里金方法，避免使用限制性强的参数化协方差模型。
• 从不规则分布的空间数据（具有规则时间采样）中估计潜在的低维因子结构，且不假设空间平稳性。
• 通过引入图拉普拉斯正则化来利用空间连续性，从而提高估计和预测的准确性。
• 通过引入基于随机空间划分的聚合方法，提升鲁棒性和效率，降低因子估计的方差。
• 通过将矩阵求逆的规模减小到潜在因子数量而非位置数量，实现大规模时空预测。

提出的方法

• 该方法采用低秩潜在因子结构对时空过程进行建模，其中因子过程和载荷均通过数据非参数估计。
• 通过空间分区数据集之间的互协方差矩阵进行特征分析，以提取潜在因子，避免显式建模测量误差（微结构效应）。
• 将图拉普拉斯引入特征分析，以强制实现空间平滑性，并利用空间域中的局部连续性。
• 通过随机空间划分实现聚合，以稳定因子估计，其思想类似于自助法（bagging），但使用随机划分而非重采样。
• 利用学习到的低维因子结构执行克里金预测，仅需对小矩阵（大小为因子数量）进行求逆，从而实现可扩展性。
• 通过基于特征值的比率估计器估计潜在因子数量，该方法在大样本量下表现良好。

实验结果

研究问题

• RQ1 能否在不假设参数化协方差形式的前提下，从不规则空间和规则时间数据中学习到时空依赖的非参数、低秩表示？
• RQ2 在缺乏空间平稳性假设的情况下，如何利用空间连续性来改进因子估计和克里金预测的准确性？
• RQ3 与单一分区估计相比，基于随机空间划分的聚合方法是否能在降低方差和提升预测准确性方面表现更优？
• RQ4 将图拉普拉斯引入特征分析在多大程度上能提升潜在因子估计和克里金性能？
• RQ5 该方法在大规模空间区域和长时序数据上的可扩展性如何，尤其与传统克里金法相比？

主要发现

• 空间克里金预测的均方预测误差（MSPE）随空间位置数（p）增加而降低，当p=320且n=320时，MSPE降至约1.02。
• 时间克里金预测的MSPE高于空间克里金预测，一步预测MSPE约为1.73，两步预测为1.88，反映出时间预测精度的预期下降。
• 聚合克里金估计器始终优于非聚合版本，在模拟设置中MSPE降低高达5%，在真实数据中表现出更高的稳定性。
• 因子数量的比率估计器在大n和p下表现良好，100次真实数据重复中有98次确定d=1，表明模型阶数选择具有鲁棒性。
• 在中国气温站的真实数据分析中，空间预测的聚合克里金MSPE为0.7718（标准误0.0444），一步预测的MSPE为1.7303（标准误1.2583），表现出优异的预测性能和低方差。
• 在93%的重复中，最优调优参数τ大于零，表明交叉验证中正则化对模型有益，且图拉普拉斯提升了估计稳定性。