基于多维高斯型指数近似的时空自激点过程模型估计方法

《PLOS One》：Estimation of space-time self-exciting point process models using multi-dimensional Gaussian-type exponent approximation

　　

研究人员引入时空自激点过程（space-time self-exciting point process, SSTPP）模型以刻画犯罪数据集中的聚集特征，该模型在社会网络、安防、金融及地震数据集建模中表现优异。然而，由于条件强度函数（conditional intensity function, CIF）估计灵活性不足及大规模数据集计算挑战，现有研究对大型犯罪数据集的分析仍较为有限。为探索该类模型在犯罪数据中的适用性，研究人员提出一种多维高斯型指数近似（multi-dimensional Gaussian-type exponent approximation）方法，该方法有效解决了大规模数据集的计算难题，并实现了CIF的灵活估计。研究人员通过模拟实验验证所提方法的性能，并将其应用于美国伊利诺伊州芝加哥市入室盗窃案件的时空模式分析。结果表明，该方法具有较高灵活性，克服了计算瓶颈，并揭示了入室盗窃数据中显著的聚集现象。

研究背景与意义

时空点过程模型作为时间维度点过程的扩展，通过引入空间分量实现对事件时空依赖性的联合建模。其中，时空自激点过程（SSTPP）能够捕捉历史事件对后续事件发生的触发效应，在地震学（如ETAS模型）、犯罪学（如Hawkes过程）及流行病学等领域得到广泛应用。然而，现有方法面临两大局限：一是参数化模型对触发函数的形式限制过强（如仅采用指数形式），难以灵活拟合复杂时空模式；二是非参数方法虽灵活但计算复杂度高（通常为O(n2)），难以处理大规模犯罪数据集。针对芝加哥市入室盗窃数据（含25,201条记录）的时空聚集特征解析需求，研究人员提出一种基于多维高斯型指数近似的快速估计算法，旨在平衡模型灵活性与计算效率。该研究发表于《PLOS One》。

关键技术方法

研究人员采用芝加哥警察局2002年入室盗窃公开数据集，经等距投影转换为平面坐标后划定研究区域。核心技术包括：1）构建多维高斯型指数近似框架，将触发函数分解为空间二维高斯核与时间指数衰减项的混合形式，背景强度采用平稳空间高斯过程建模；2）设计截断条件强度函数（truncated intensity），通过限定历史事件影响时间窗（z=200）将计算复杂度降至O(n)；3）基于最大似然估计（MLE）结合贝叶斯信息准则（BIC）进行模型阶数选择；4）采用超薄（super-thinning）残差分析法与L函数检验模型适配性。

研究结果

2 时空自激点过程模型

明确定义SSTPP的条件强度函数λ(s,t)由背景强度μ(s)与触发效应g(s-s_i, t-t_i)组成，前者表征独立发生的“背景事件”（如主震），后者表征历史事件的激发作用（如余震）。推导其对数似然函数形式，指出积分项解析求解的困难性。

3 方法论

多维高斯型指数近似

提出非参数化触发函数：

g(x,y,t)=exp(-((x-x_i)2/(2σ_x2)+(y-y_i)2/(2σ_y2)+t/τ))

其中σ_x、σ_y为空间衰减率，τ为时间衰减率。背景强度μ(x,y)采用含均值参数的高斯混合形式，与触发函数形成混合模型结构。

估计方法

通过解析推导对数似然积分项的闭式解，结合截断策略（仅考虑t_i前z时段内的事件）显著降低计算负荷。采用非线性优化算法求解MLE，并通过BIC(p,q)实现单/多组分模型选择。

诊断算法

设计基于超薄残差的模型检验流程：先以概率p_i=λ?(s_i,t_i)/k对观测事件进行稀疏化，再叠加强度为k的泊松过程生成齐次残差，最终通过Ripley's L函数检验残差的均匀性。

4 数值实验

在含空间相关性（ρ=0.3）的合成数据集上验证方法性能。结果显示：1）BIC准则能有效选择真实模型阶数（单组分选(p,q)=(0,0)，多组分选(0,1)）；2）参数估计值随样本量增大趋近真实值（n=10?时偏差<5%），即使未显式建模空间协方差仍保持稳健性；3）超薄残差的L函数落在泊松过程95%置信区间内，证实模型通过适配性检验。

5 犯罪数据集分析

对芝加哥入室盗窃数据的分析表明：(p,q)=(0,1)为最优模型。触发效应在空间上集中于0.5km×1.8km范围内，时间上持续1-3天，印证犯罪“传染”效应——初始作案成功会提高邻近区域短期内的再犯风险。背景强度空间分布显示无显著坐标相关性。超薄残差诊断进一步验证模型对犯罪聚集特征的有效捕捉。

讨论与结论

研究人员证实多维高斯型指数近似方法在SSTPP建模中具有双重优势：非参数形式灵活适应复杂时空模式，截断策略显著提升计算效率（可处理万级事件数据）。尽管未纳入空间协方差结构导致轻微参数偏倚，但模拟与实证结果均显示其具备可靠的边际效应估计能力。该方法可扩展至地震余震序列、金融波动聚集及信息传播等自激过程建模领域。未来研究将引入高斯混合模型（GMM）刻画空间协方差，并探索背景与触发函数的可分时间成分设计。