Spatiotemporal Prediction for Log-Gaussian Cox Processes
对数高斯 Cox 过程的时空预测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：摘要研究一般时空点过程及其潜在强度预测，未提供宏观时间序列或金融高频数据背景，因而不归入所列细分方向。
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
对数高斯 Cox 过程的时空预测
- 研究问题
- 面对时空点模式数据，如何构造灵活的随机强度模型、估计参数，并预测潜在强度以描述事件发生的时空变化？
- 方法与思路
- 作者提出具有时空 Ornstein–Uhlenbeck 结构的 Cox 模型，用基于矩的方法估计参数，并通过 MCMC 预测潜在强度。
- 材料陈述的贡献
- 摘要称，文章提出灵活的时空点过程模型，发展矩估计与潜在强度预测方法，并使用合成数据展示方法表现。
- 阅读关注点
- 应核对对数高斯结构与强度之间的映射、矩条件如何识别参数，以及 MCMC 的目标分布、计算诊断与预测评价。
- 阅读边界
- 仅据所给 Crossref 摘要；强度与高斯过程的具体关系需核对原文，摘要只提合成数据，未说明真实应用或预测误差结论。
原文摘要
Summary Space–time point pattern data have become more widely available as a result of technological developments in areas such as geographic information systems. We describe a flexible class of space–time point processes. Our models are Cox processes whose stochastic intensity is a space–time Ornstein–Uhlenbeck process. We develop moment-based methods of parameter estimation, show how to predict the underlying intensity by using a Markov chain Monte Carlo approach and illustrate the performance of our methods on a synthetic data set.