[论文解读] 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 5

一句话总结

本文利用空间嵌入与尺度混合技术，为广义线性网络上的随机过程（特别是欧几里得树）开发了有效且不可分的空间-时间协方差模型。基于广义Gneiting类与1-对称特征函数，提出了新颖的协方差函数，在河流温度数据中，其预测性能优于可分模型与线性模型，其中Model 2在交叉验证中实现了最低的RMSPE与CRPS。

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.

研究动机与目标

• 为广义线性网络上的过程（尤其在环境与水文应用中）解决缺乏有效空间-时间协方差模型的问题。
• 开发在网状结构域上正定的参数化、不可分协方差函数，克服基于标准欧几里得距离模型的局限性。
• 在真实河流温度数据上应用并比较多种模型构建技术——空间嵌入、尺度混合与广义Gneiting类。
• 通过交叉验证评估模型性能，并分析预测精度与计算效率之间的权衡。
• 为未来在网状结构上研究空间-时间过程（包括对数高斯随机场过程的扩展）奠定基础。

提出的方法

• 利用空间嵌入将广义线性网络映射到希尔伯特空间，从而在欧几里得空间中应用已知的协方差结构。
• 结合广义Gneiting类协方差函数与1-对称特征函数，在网络上构建有效且不可分的空间-时间模型。
• 应用尺度混合方法，生成具有灵活几何与依赖特性的新型协方差函数类别。
• 通过凸锥与无傅里叶变换的刻画方法，推导正定性的理论条件，确保在网状域上协方差函数的有效性。
• 采用最大似然估计进行模型拟合，通过交叉验证评估预测性能。
• 可视化边际与联合协方差结构，以评估在原点附近与无穷远处的几何行为。

实验结果

研究问题

• RQ1 如何为广义线性网络上的随机过程构建有效且不可分的空间-时间协方差函数？
• RQ2 这些新型协方差模型在原点附近与无穷远处的几何与依赖特性如何？
• RQ3 在真实数据上，空间嵌入、尺度混合与广义Gneiting类等不同构建方法在预测性能上的表现如何比较？
• RQ4 在河流网络上的空间-时间建模中，模型复杂度、计算成本与预测精度之间的权衡如何？
• RQ5 这些模型能否在预测河流温度动态方面优于标准的可分或线性模型？

主要发现

• 通过希尔伯特空间嵌入构建的Model 2在预测性能上表现最佳，相比可分模型，RMSPE降低17.86%，CRPS降低21.19%。
• 基于尺度混合方法的Model 3在预测精度上与Model 2相当，但计算时间仅约为其三分之一，表现出极高的效率。
• 在Model 4中引入流向与汇水面积权重并未提升性能，表明所选物理协变量在此数据集中存在局限性。
• 所有提出的模型均实现了合理的预测精度，RMSPE值在文献中报道的河流温度预测范围（1.0–2.7 °C）内。
• Model 3与5的方差分量最大似然估计值显著偏高（σ² = 15.426与13.137），但未影响预测精度。
• Model 2残差的经验边际协方差函数与拟合模型高度吻合，表明模型具有良好的拟合优度。