从时间序列中推断空间区域和时序特征的可扩展推断
机器学习
2026-05-07 v1 机器学习
社会与信息网络
物理与社会
摘要
区域化旨在将空间域划分为共享相似特征的连续区域, 以实现更有效的空间分析、政策制定和资源管理。现有的空间区域化方法通常依赖静态空间快照而非演化的时间序列。与此同时, 大多数时间序列聚类方法忽略空间结构或通过不成文的正则化强制空间连续性, 从而通过显式或隐式地约束推断区域的数量。利用信息论中的最小描述长度原理, 本文提出了一个高效且完全非参数的时空时间序列区域化框架。该方法联合推断空间分区以及一组代表性时序原型("驱动因子")以最佳压缩时空数据集, 运行时间为时间序列数量的对数线性。我们展示该方法可在合成时间序列中准确恢复植入的区域结构和驱动因子, 并可从大规模实证空气质量和植被指数记录中提取有意义的结构规律。该方法提供了一个原则且可扩展的框架, 允许从数据本身中直接显现出可解释的时序模式和同质区域。
引用
@article{arxiv.2605.05008,
title = {Scalable inference of spatial regions and temporal signatures from time series},
author = {Jiayu Weng and Alec Kirkley},
journal= {arXiv preprint arXiv:2605.05008},
year = {2026}
}