A dimension-reduced approach to space-time Kalman filtering
时空卡尔曼滤波的降维方法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：摘要明确使用自回归时间动态和卡尔曼滤波，支持时间序列分类；应用对象是物理时空数据。
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
时空卡尔曼滤波的降维方法
- 研究问题
- 面对大型时空数据，如何结合时间动态与空间相关实现降维预测，并考察额外的非动态空间成分是否改善预测表现？
- 方法与思路
- 作者结合具有空间相关性的自回归过程、测量方程和非动态空间成分，构造降维时空卡尔曼滤波，并应用于太平洋近地面风数据。
- 材料陈述的贡献
- 摘要称，该模型允许非动态空间成分，在所用风数据上改善空间预测，且信噪比降低时改善更明显；未提供改善数值。
- 阅读关注点
- 应核对降维表示、动态与非动态空间成分的区分方式，以及滤波计算、预测验证方案和信噪比比较的具体设计。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未说明降维误差、模型识别和验证细节；风数据上的改善不能直接推广为宏观经济预测优势。
原文摘要
Many physical/biological processes involve variability over both space and time. As a result of difficulties caused by large datasets and the modelling of space, time and spatio-temporal interactions, traditional space-time methods are limited. In this paper, we present an approach to space-time prediction that achieves dimension reduction and uses a statistical model that is temporally dynamic and spatially descriptive. That is, it exploits the unidirectional flow of time, in an autoregressive framework, and is spatially 'descriptive' in that the autoregressive process is spatially coloured. With the inclusion of a measurement equation, this formulation naturally leads to the development of a spatio-temporal Kalman filter that achieves dimension reduction in the analysis of large spatio-temporal datasets. Unlike other recent space-time Kalman filters, our model also allows a non-dynamic spatial component. The method is applied to a dataset of near-surface winds over the topical Pacific ocean. Spatial predictions with this dataset are improved by considering the additional non-dynamic spatial process. The improvement becomes more pronounced as the signal-to-noise ratio decreases.