A Fast, Optimal Spatial-Prediction Method for Massive Datasets
面向海量数据的快速最优空间预测方法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：摘要面向空间预测和卫星臭氧数据，未涉及所列宏观预测或其他经济计量细分方向。
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…
面向海量数据的快速最优空间预测方法
- 研究问题
- 面对海量且可能含缺失观测的空间数据，如何兼顾预测表面的平滑性、计算效率，以及特定协方差类别下的均方误差最优性？
- 方法与思路
- 作者对一组相互空间平移的多分辨率树模型所产生的最优预测取平均，构造 MURS 预测器并开发高效计算算法。
- 材料陈述的贡献
- 摘要称，MURS 可形成平滑预测面、处理海量及缺失数据，并在一大类协方差函数下最优；所给模拟中优于两种滤波方法。
- 阅读关注点
- 应核对最小均方误差结论对应的协方差类别、平移平均方式、计算复杂度，以及模拟比较和卫星臭氧应用的具体设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；最优性范围和比较数值未说明，单个模拟示例不能支持普遍优越性或刊本变化判断。
原文摘要
This article considers a class of multiresolution tree-structured models that are spatially shifted versions of each other and proposes a new spatial-prediction method that averages over the optimal spatial predictors produced from members of this class of models. As a consequence, the resulting predicted surface is smooth, even when the predictors generated separately from individual multiresolution tree-structured models are not. We call the new predictor the multiresolution spatial (MURS) predictor and develop a computationally efficient algorithm for it. The algorithm can handle massive datasets even when some observations are missing. Moreover, the MURS predictor can be shown to be the minimum mean squared error predictor for a large class of covariance functions. A simulation example for massive datasets shows that the MURS method consistently outperforms two commonly used filtering methods. Total column ozone data remotely sensed from a satellite are analyzed using the new methodology.