新的KSTPP框架利用Kronecker代数增强时空事件建模

研究人员引入了一个名为Kronecker-Structured Nonparametric Spatiotemporal Point Process (KSTPP) 的新框架，旨在改进时空领域事件的建模和预测。该模型通过提供更大的灵活性并实现事件关系的可解释发现，解决了传统泊松过程和霍克斯过程的局限性。KSTPP使用空间高斯过程来表示背景强度，并使用时空高斯过程来表示影响核，从而整合了丰富的交互模式。该框架采用可分离乘积核和Kronecker代数来降低计算成本，使其能够扩展到大型数据集，并使用张量积Gauss-Legendre求积方案来高效评估似然积分。 AI

影响 增强了时空事件预测和关系发现能力，可能对物流和传感器网络等领域产生影响。

排序理由 这是一篇详细介绍新统计建模框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Gaussian process
• Global Positioning System
• Hawkes Processes
• Kronecker algebra
• Kronecker-Structured Nonparametric Spatiotemporal Point Process
• KSTPP
• Poisson Processes
• Zhitong Xu

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →