A Bayesian time-varying random partition model for large spatio-temporal datasets
面向大规模时空数据的贝叶斯时变随机划分模型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：摘要核心是一般时空贝叶斯聚类与手机使用模式，未提供足以归入宏观结构变化、经济面板或其他给定细分的明确依据。
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…
关注这篇论文的作者
面向大规模时空数据的贝叶斯时变随机划分模型
- 研究问题
- 如何对空间相关的区域时间序列进行随时间变化的聚类，并描述工作与夜间、工作日与周末之间不同的人口活动模式？
- 方法与思路
- 作者建立半参数层级贝叶斯模型，以时间变点调整不同阶段的层级结构，并用强调区域邻近性的随机划分先验促进共同聚类。
- 材料陈述的贡献
- 摘要称，新随机划分先验能够纳入空间特征，模型通过模拟研究和米兰手机使用数据应用，分析人口活动模式的空间聚类。
- 阅读关注点
- 应核对阶段与变点的定义、固定日内窗口的作用、空间邻近先验及聚类不确定性的表达，并检查大规模计算是否可行。
- 阅读边界
- 仅据 arXiv 预印本摘要，同行评审或期刊接收未核实；具体先验、模拟结果和计算扩展性未说明，应用主要为手机活动聚类。
原文摘要
Spatio-temporal areal data can be seen as a collection of time series which are spatially correlated, according to a specific neighbouring structure. Motivated by a dataset on mobile phone usage in the Metropolitan area of Milan, Italy, we propose a semi-parametric hierarchical Bayesian model allowing for time-varying as well as spatial model-based clustering. Our approach incorporates the notion of regimes that describe changing patterns over work and night hours as well as weekdays/weekends. Changes across regimes are considered by means of temporal changepoint components that allow for different hierarchical structures specified across time points. The changepoints might occur within fixed time windows over the day. The model features a novel random partition prior that incorporates the desired spatial features and encourages co-clustering based on areal proximity. We explore properties of the model by way of extensive simulation studies from which we collect valuable information. Finally, we discuss the application to the motivating data, where the main goal is to spatially cluster population patterns of mobile phone usage.