Structural Identification for Spatio-Temporal Dynamic Models
时空动态模型的结构识别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：摘要研究空间趋势的聚类与边界识别，未明确讨论宏观时间序列的结构变化，不能仅凭结构变化字样归入宏观细分。
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…
时空动态模型的结构识别
- 研究问题
- 如何在具有空间相关、分段参数和不规则采样位置的动态空间数据中，识别潜在聚类结构及结构发生变化的空间边界？
- 方法与思路
- 作者基于小空间块之间的差异度量检测异质性，并利用空间物理依赖刻画相关性，建立方法的渐近性质与极限分布。
- 材料陈述的贡献
- 摘要称方法能够容纳分段参数和不规则位置采样，降低对强平稳假设的依赖，并以模拟和实际数据展示结构识别表现。
- 阅读关注点
- 应核对空间块划分、差异度量和边界判定规则，以及物理依赖条件、采样渐近框架和空间结构识别所需的信号条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；弱化平稳性的具体范围和理论条件未说明，不能据此认为方法无需任何平稳性限制。
原文摘要
Identifying latent cluster structures in spatial trends constitutes an important yet challenging task in diverse applications. In this paper, we propose a novel method based on a discrepancy measure over small spatial blocks that effectively uncovers heterogeneity within dynamic spatial data. Our approach effectively detects boundaries where structural changes occur, thus allowing for more nuanced insights into underlying spatial patterns. Unlike methods predicated on strong stationarity assumptions, our framework accommodates piecewise-defined parameters and irregular sampling locations, enabling its broad applicability to real-world datasets. We further establish asymptotic properties and limit distributions of the proposed methods by leveraging the notion of spatial physical dependence, accounting for correlations across spatial domains. Simulations and real data analyses confirm the effectiveness of the method, highlighting its robustness and accuracy in identifying complex spatio-temporal structures.