[发明专利]基于尺度自适应的混合时空加权回归模型参数获取方法及系统

说明书

本发明提供的基于尺度自适应的混合时空加权回归模型参数获取方法及系统，包括以下步骤：步骤1，分别获取混合时空加权回归模型中常系数和时空变系数的初始估计值；步骤2，根据步骤1中得到的常系数和时空变系数的初始估计值对时空变系数迭代更新，得到最终的时空变系数估计值；步骤3，根据步骤2中得到的最终的时空变系数对常系数进行更新，获得最终的常系数估计值；解决了时空加权回归方法的多尺度问题同时识别出了常系数和时空变系数，而且较之Wu等人提出的MGTWR降低了计算负担，为分析包含时空信息的数据提供了更加灵活的视角。

技术领域

本发明属于时空信息数据分析领域，具体涉及基于尺度自适应的混合时空加权回归模型参数获取方法及系统。

背景技术

近年来，伴随着计算机的发展，越来越多包含时空信息的数据被捕捉用于分析和预测，对于这样包含地理信息和时间信息的数据，局部回归方法是实现有效分析的主要实现手段，但是随着数据量的激增如何构建一种高效的局部回归方法就尤为重要。

在局部回归方法领域中，应用最为广泛的一类就是地理加权回归(GWR)及其扩展模型。近些年来被广泛的应用到各个领域的时空信息数据分析。已经受到国内外学者的普遍重视，并取得了丰硕的研究成果。

GWR模型最初来源依据的是地理学第一定律(一切都是相互联系的，但近处的事物比远处的事物联系更紧密)。假设回归系数均是随着空间地理位置而变化的，各变量在统一的空间尺度上对因变量产生影响。随着人们对地理信息数据随时间变化而改变这一主题越来越感兴趣。如2010年，首次将时间因素纳入GWR的系数函数，并提出了时空加权回归(GTWR)模型，以获取回归关系的时空异质性。目前已提出的GWR及其扩展的多种形式，不仅可以应用于农业、气象和环境等传统时空领域，也可以用于房地产、经济和疾病等新兴时空领域。

当前已经提出的GWR及其扩展形式主要包括：地理加权逻辑回归、地理加权泊松回归、基于交通可达性的地理加权回归、地理加权岭回归、地理加权LASSO回归、时空加权回归等。

现有技术的缺陷和不足：

目前尽管已经提出了多种GWR及其扩展形式，但是事实上，在实践中可能存在有些自变量对因变量的影响是全局平稳的，而其余自变量的影响是空间非平稳的情况。为此，Brunsdon等人在1999年提出一种半参数空间变系数方法，即混合GWR模型，该方法中一些系数被假设是常数，而其他系数在空间上是变化的，通过两步校正方法实现模型在两种空间尺度上(空间维度中的尺度可以分为两种，即空间局部尺度和全局尺度)的参数估计。然而，由于混合GWR在估计空间变系数时使用的是统一的空间窗宽值，因此，该方法无法探知回归关系在不同尺度的空间异质性。为解决回归关系的尺度效应，Fotheringham等人2017年提出一种多尺度GWR(MGWR)模型，该模型考虑了每一个解释变量可能在不同的空间尺度上影响因变量，从而提高了模型估计的精度，使其更具解释性，MGWR方法较之传统的GWR方法更具有优势。Chen和Mei在2020年提出了另一种多尺度GWR方法，即尺度自适应的GWR方法(SAGWR),该方法将系数分为空间平稳的常系数和空间非平稳的变系数，然后对变系数进行后项拟合，选择每个变系数的空间窗宽，该方法不仅兼备了MGWR模型的解释性，而且降低了了模型的迭代复杂程度，进而提高了计算效率。