Multivariate Receptor Modeling for Temporally Correlated Data by Using MCMC
利用MCMC对时间相关数据进行多元受体建模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：摘要明确使用时间序列方法处理污染浓度的时间依赖，因此归入时间序列方向，未提供因子模型的明确依据。
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…
利用MCMC对时间相关数据进行多元受体建模
- 研究问题
- 利用多种化学物质的环境浓度估计污染源特征和贡献时，如何纳入时间依赖，并使参数及不确定性估计反映这种依赖？
- 方法与思路
- 作者用时间序列方法建模观测依赖，通过MCMC同时估计参数与不确定性，并应用于模拟数据和1990年亚特兰大污染数据。
- 材料陈述的贡献
- 摘要称方法将以往未纳入的时间依赖引入多元受体模型，所述应用结果显示其在处理数据依赖方面具有潜力。
- 阅读关注点
- 核对时间依赖结构、污染源参数的约束与识别、MCMC收敛诊断，以及依赖建模如何改变参数估计和不确定性。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；源数量、依赖模型和结果数值未说明，摘要所称潜力不等于已证实普遍改进。
原文摘要
Multivariate receptor modeling aims to estimate pollution source profiles and the amounts of pollution based on a series of ambient concentrations of multiple chemical species over time. Air pollution data often show temporal dependence due to meteorology and/or background sources. Previous approaches to receptor modeling do not incorporate this dependence. We model dependence in the data using a time series approach so that we can incorporate extra sources of variability in parameter estimation and uncertainty estimation. We estimate parameters using the Markov chain Monte Carlo method, which makes simultaneous estimation of parameters and uncertainties possible. The methods are applied to simulated data and 1990 Atlanta air pollution data. The results show promise towards the goal of accounting for the dependence in the data.