用于大规模时空数据的不可分动态最近邻高斯过程模型及其在颗粒物分析中的应用
应用统计
2016-04-15 v3
摘要
颗粒物（PM）是一类已知对人体健康有害的恶性环境污染物。各国旨在降低 PM 浓度的监管措施通常需要能够识别超过法定浓度限值的危险区域的高分辨率时空地图。连续时空高斯过程（GP）模型可以提供描绘 PM 预测水平的地图并量化预测不确定性。然而，基于 GP 的方法通常会受到大型数据集带来的计算挑战的阻碍。我们构建了一类新颖的可扩展动态最近邻高斯过程（DNNGP）模型，能够为任何时空 GP（例如具有不可分协方差结构的 GP）提供稀疏逼近。我们在此开发的 DNNGP 可作为任何贝叶斯层次模型中时空随机效应的诱导稀疏先验，以提供完整的后验推断。DNNGP 模型的存储和内存需求与数据集大小呈线性关系，从而在不牺牲推断丰富性的前提下实现大规模可扩展性。广泛的数值研究表明，与低秩逼近相比，DNNGP 对底层过程提供了更为优越的逼近。最后，我们使用 DNNGP 分析了一个大规模空气质量数据集，结合 LOTOS-EUROS 化学传输模型（CTM），大幅改善了整个欧洲 PM 浓度的预测。
引用
@article{arxiv.1510.07130,
title = {Non-separable Dynamic Nearest-Neighbor Gaussian Process Models for Large spatio-temporal Data With an Application to Particulate Matter Analysis},
author = {Abhirup Datta and Sudipto Banerjee and Andrew O. Finley and Nicholas A. S. Hamm and Martijn Schaap},
journal= {arXiv preprint arXiv:1510.07130},
year = {2016}
}