Log-Gaussian Cox processes on general metric graphs
一般度量图上的对数高斯 Cox 过程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：摘要中的网络是空间点过程的道路几何域，未讨论微观主体之间的网络作用或干扰。
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…
一般度量图上的对数高斯 Cox 过程
- 研究问题
- 如何在道路网络等非欧氏空间直接建立空间点过程模型，并使复杂网络上的似然与贝叶斯推断兼具计算可行性和理论保证？
- 方法与思路
- 作者以度量图上的高斯 Whittle–Matérn 场构造对数高斯 Cox 过程，通过近似似然而非近似高斯过程实现计算，并结合 R-INLA。
- 材料陈述的贡献
- 摘要称，研究给出后验收敛率并提供 MetricGraph 实现，利用沙特道路事故数据展示大规模网络建模与事故热点识别。
- 阅读关注点
- 应核对度量图和光滑度条件、似然近似误差与后验收敛的关系，以及超越概率和游程集合如何表达热点的不确定性。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未给出收敛率、计算成本或验证结果，道路风险区域识别也不等于道路特征的因果效应识别。
原文摘要
Abstract The modelling of spatial point processes has advanced considerably, yet extending these models to non-Euclidean domains, such as road networks, remains a challenging problem. We propose a novel framework for log-Gaussian Cox processes on general compact metric graphs by leveraging Gaussian Whittle–Matérn fields, which are solutions to fractional-order stochastic differential equations on metric graphs. To achieve computationally efficient likelihood-based inference, we introduce a numerical approximation to the likelihood that eliminates the need to approximate the Gaussian process. This method, coupled with the exact evaluation of finite-dimensional distributions for Whittle–Matérn fields with integer smoothness, ensures scalability and theoretical rigour, with derived convergence rates for the posterior distributions. The framework is implemented in the open-source MetricGraph R package, which integrates seamlessly with R-INLA to support fully Bayesian inference. We demonstrate the applicability and scalability of this approach through an analysis of road accident data from Al-Ahsa, SaudiArabia, consisting of over 160 000 road segments. By identifying high-risk road segments using exceedance probabilities and excursion sets, our framework provides localized insights into accident hotspots and offers a powerful tool for modelling spatial point processes directly on complex networks.