Spatiotemporal factor models for functional data with application to population map forecast
函数型数据的时空因子模型及人口地图预测应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确使用共同因子的时间序列、空间载荷和预测方法处理逐小时人口数据。
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
函数型数据的时空因子模型及人口地图预测应用
- 研究问题
- 如何利用移动设备产生的多维人口数据，预测东京各地区的逐小时人口变化，同时刻画地区间空间依赖和时间动态并保持模型可解释性？
- 方法与思路
- 作者结合函数型数据分析、高斯过程和贝叶斯因子模型，以少量共同因子的时间序列表达动态，以可识别且稀疏的载荷表达空间结构，并用收缩选择因子。
- 材料陈述的贡献
- 摘要称，该模型在数值实验和人口数据分析中考察了预测精度与可解释性，并提出因子选择方法；作者认为加入额外时间序列特征可提高精度。
- 阅读关注点
- 应核对函数型观测与高斯过程的设定、载荷可识别性和稀疏约束，以及收缩如何确定因子数量；还需检查预测划分与新增动态特征的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未报告比较基准、误差数值和具体识别约束，不能判断预测改善的幅度与普适性。
原文摘要
The proliferation of mobile devices has led to the collection of large amounts of population data. This situation has prompted the need to utilize this rich, multidimensional data in practical applications. In response to this trend, we have integrated functional data analysis (FDA) and factor analysis to address the challenge of predicting hourly population changes across various districts in Tokyo. Specifically, by assuming a Gaussian process, we avoided the large covariance matrix parameters of the multivariate normal distribution. In addition, the data were both time and spatially dependent between districts. To capture these characteristics, a Bayesian factor model was introduced, which modeled the time series of a small number of common factors and expressed the spatial structure through factor loading matrices. Furthermore, the factor loading matrices were made identifiable and sparse to ensure the interpretability of the model. We also proposed a Bayesian shrinkage method as a systematic approach for factor selection. Through numerical experiments and data analysis, we investigated the predictive accuracy and interpretability of our proposed method. We concluded that the flexibility of the method allows for the incorporation of additional time series features, thereby improving its accuracy.