Bayesian Estimation and Prediction for Inhomogeneous Spatiotemporal Log-Gaussian Cox Processes Using Low-Rank Models, With Application to Criminal Surveillance
基于低秩模型的非齐次时空对数高斯 Cox 过程贝叶斯估计与预测：犯罪监测应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究空间点过程与犯罪监测，未提供对应给定计量领域细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于低秩模型的非齐次时空对数高斯 Cox 过程贝叶斯估计与预测：犯罪监测应用
- 研究问题
- 如何对非平稳时空对数高斯 Cox 过程进行可计算的统计推断，并用于识别新出现的凶杀案件时空聚集？
- 方法与思路
- 作者采用卷积模型刻画时空相关性并进行似然推断；题名注明低秩与贝叶斯方法，摘要未说明其具体构造。
- 材料陈述的贡献
- 摘要称方法适用于大型数据集，无需预先知道底层空间强度，并通过巴西凶杀监测应用讨论相对其他方法的利弊。
- 阅读关注点
- 应核对低秩表示与卷积结构如何结合、未知空间强度如何处理，以及聚集检测规则和监测方法比较的评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明先验、计算误差或检测性能，不能推断刊本变化或普遍优势。
原文摘要
In this article, we propose a method for conducting likelihood-based inference for a class of nonstationary spatiotemporal log-Gaussian Cox processes. The method uses convolution-based models to capture spatiotemporal correlation structure, is computationally feasible even for large datasets, and does not require knowledge of the underlying spatial intensity of the process. We describe an application to a surveillance system for detecting emergent spatiotemporal clusters of homicides in Belo Horizonte, Brazil, and discuss the advantages and drawbacks of our model-based approach by comparison with other spatiotemporal surveillance methods that have been proposed in the literature.