用于时空热点检测的特征空间方法

热点检测旨在识别观测值中相对于某些基准信息而言出乎意料的子群。例如，在疾病监测中，目的是检测时空空间中的子区域，其中报告的疾病（如癌症）计数相对于人口而言高于预期。此类问题的最先进方法是时空扫描统计量 (STScan)，它通过滑动窗口穷举搜索整个空间以寻找显著的时空聚类。STScan 对数据分布、热点形状和数据质量做出了一些限制性假设，这对于某些非传统数据源来说可能不切实际。本文提出了一种称为 EigenSpot 的新方法，该方法不是对空间进行穷举搜索，而是追踪时空相关结构的变化。新方法不仅具有更高的计算效率，而且不对数据分布、热点形状或数据质量做任何假设。其核心思想是，通过主空间奇异向量和主时间奇异向量中异常元素的联合组合，可以近似时空空间中热点的位置。在模拟数据集和真实数据集上的综合实验评估揭示了所提出方法的有效性。