用于含外生变量大空间数据集的稀疏伪输入局部克里金法
机器学习
2019-12-20 v4
摘要
我们研究含有外生变量的大规模空间系统，例如在空间过程中作为重要预测因子的环境因素。为此类过程建立预测模型颇具挑战，因为海量观测的存在使得应用完整克里金法效率低下。为降低计算复杂度，本文提出稀疏伪输入局部克里金法 (SPLK)，其利用超平面将域划分为较小子域，然后对每一子域应用完整克里金法的稀疏近似。我们还开发了寻找所需超平面的优化过程。为缓解全局预测器中的不连续问题，我们对相邻子域的边界施加连续性约束。此外，将域划分为较小子域使得在各区域对协方差函数使用不同参数值成为可能，从而可有效捕捉数据结构中的异质性。数值实验表明，SPLK优于或可与通常应用于空间数据集的算法相媲美。
引用
@article{arxiv.1508.01248,
title = {Sparse Pseudo-input Local Kriging for Large Spatial Datasets with Exogenous Variables},
author = {Babak Farmanesh and Arash Pourhabib},
journal= {arXiv preprint arXiv:1508.01248},
year = {2019}
}
备注
50 pages, 9 figures, one table; added a simulated dataset