基于概率图模型的时空数据预测研究综述.docVIP

基于概率图模型的时空数据预测研究综述

一、概率图模型与时空数据预测的基础契合性

概率图模型作为概率论与图论结合的产物，天然适配时空数据的复杂依赖特征。其核心优势在于能够通过图结构显式建模变量间的条件独立性，同时利用概率分布量化不确定性，这与时空数据“空间关联非均匀、时间演化多尺度、噪声干扰普遍存在”的特性高度匹配。从早期的静态贝叶斯网络到动态演化的隐马尔可夫模型，再到能捕捉复杂依赖关系的马尔可夫随机场，概率图模型的发展始终伴随着对时空数据建模需求的迭代。

时空数据预测的核心挑战可归纳为三点：一是空间维度的异质性与依赖性共存，不同区域的变量演化规律可能存在显著差异，但邻近区域又存在明确的关联传导效应；二是时间维度的多尺度耦合，短期波动、中期趋势与长期周期相互叠加，单一时间粒度的建模难以捕捉完整演化规律；三是不确定性的多源渗透，观测噪声、缺失值、外部突发事件都会对预测结果产生不可忽略的干扰。传统的统计模型如ARIMA仅能处理单序列时间依赖，CNN类方法虽能捕捉空间局部关联，但缺乏对不确定性的量化能力，而概率图模型恰好能通过图结构编码时空关联，通过概率推理处理不确定性，成为解决上述挑战的重要路径。

二、典型概率图模型的时空预测适配路径

2.1有向图模型的时序演化建模

有向概率图模型中，隐马尔可夫模型（HMM）及其扩展是最早应用于时空预测的类别。传统HMM通过隐藏状态序列建模时间演化，观