下面简要区分 时空变化趋势模型 和 时空预测模型，并列出常见方法与适用场景。
1. 时空变化趋势模型
含义
时空变化趋势模型主要用于分析某一现象在 时间和空间上的变化规律，回答：
- 过去发生了什么变化？
- 变化是增强还是减弱？
- 哪些区域变化显著？
- 是否存在空间集聚或扩散趋势？
研究重点
偏重于 解释与描述趋势，不一定强调未来预测。
常见模型和方法
1）线性趋势模型
用于分析某变量随时间的变化趋势。
\[
Y_{it} = \alpha + \beta t + \epsilon_{it}
\]
其中：
- \(Y_{it}\)：第 \(i\) 个地区在时间 \(t\) 的观测值
- \(t\)：时间
- \(\beta\)：变化趋势
- \(\beta > 0\)：上升趋势
- \(\beta < 0\)：下降趋势
适用于：气温、降水、NDVI、人口密度、污染物浓度等趋势分析。
2）Theil-Sen Median 趋势分析
一种稳健的趋势估计方法，对异常值不敏感。
常用于遥感和生态环境研究，例如：
- 植被覆盖度变化
- 土地利用变化
- 干旱指数变化
3）Mann-Kendall 趋势检验
用于判断时间序列是否存在显著上升或下降趋势。
优点：
- 不要求数据服从正态分布
- 适合长期环境数据分析
常与 Theil-Sen 方法结合使用。
4）空间自相关分析
用于判断空间上是否存在集聚特征。
常见指标：
- 全局 Moran’s I
- 局部 Moran’s I
- Getis-Ord \(G_i^\)
可用于识别：
- 高值集聚区
- 低值集聚区
- 热点区
- 冷点区
5）时空扫描统计模型
用于识别时空异常聚集区域。
常用于：
- 疾病传播
- 犯罪热点
- 环境污染突发事件
- 灾害风险区域识别
2. 时空预测模型
含义
时空预测模型用于根据历史时空数据预测未来某一时间、某一区域的状态，回答：
- 未来会怎样变化？
- 某区域未来的风险有多高？
- 时空格局如何演化？
研究重点
偏重于 预测未来。
3. 常见时空预测模型
1）时间序列模型
ARIMA / SARIMA 模型
适合单个区域或整体区域的时间序列预测。
\[
Y_t = f(Y_{t-1}, Y_{t-2}, ..., \epsilon_t)
\]
适用于：
- 气温预测
- 用电量预测
- 交通流量预测
- 空气污染物浓度预测
缺点：空间关系考虑较弱。
2）空间回归模型
空间滞后模型 SAR
考虑邻近区域对本地区的影响。
\[
Y = \rho WY + X\beta + \epsilon
\]
其中：
- \(W\)：空间权重矩阵
- \(\rho\)：空间影响系数
适用于存在空间溢出效应的研究，如：
- 房价
- 经济增长
- 疫情传播
- 城市扩张
空间误差模型 SEM
适合误差项存在空间相关的情况。
\[
Y = X\beta + u
\]
\[
u = \lambda Wu + \epsilon
\]
3）地理加权回归 GWR / 时空地理加权回归 GTWR
GWR
考虑空间异质性，即不同地区影响因素不同。
\[
Y_i = \beta_0(u_i,v_i) + \sum_k \beta_k(u_i,v_i)X_{ik} + \epsilon_i
\]
GTWR
进一步加入时间因素：
\[
Y_i = \beta_0(u_i,v_i,t_i) + \sum_k \beta_k(u_i,v_i,t_i)X_{ik} + \epsilon_i
\]
适用于：
- 城市热岛
- 房价影响因素
- 土地利用变化
- PM2.5 时空变化
4）机器学习模型
常用模型包括：
- 随机森林 Random Forest
- XGBoost
- LightGBM
- 支持向量回归 SVR
- KNN
- 多层感知机 MLP
特点：
- 非线性拟合能力强
- 可以融合多源数据
- 对预测精度较好
适用于：
- 降雨预测
- 滑坡风险预测
- 空气质量预测
- 土地覆盖分类
- 城市扩张模拟
不足：空间和时间依赖关系需要人为构造特征。
5）深度学习时空预测模型
LSTM / GRU
适合时间依赖明显的数据。
适用于：
- 交通流预测
- 用电负荷预测
- 气象预测
- 水文预测
CNN-LSTM
CNN 提取空间特征，LSTM 提取时间特征。
适用于栅格型时空数据，例如：
- 遥感影像序列
- 气象格网数据
- 土地利用动态模拟
ConvLSTM
将卷积操作嵌入 LSTM，适合连续空间格网预测。
常用于：
- 降水预测
- 雷达回波预测
- 植被指数预测
- 城市扩张预测
GCN / ST-GCN
图卷积网络适合不规则空间结构，如道路网络、行政区网络。
适用于：
- 交通流量预测
- 疫情传播预测
- 空气污染扩散预测
- 城市功能区分析
Transformer 时空模型
如 Spatio-temporal Transformer、Informer、Autoformer 等。
优势：
- 长序列预测能力强
- 可捕捉复杂时空依赖
- 适合大规模时空数据
适用于：
- 交通预测
- 气象预测
- 能源负荷预测
- 多站点环境监测预测
4. 二者区别
| 对比项 | 时空变化趋势模型 | 时空预测模型 |
||||
| 目的 | 分析过去和当前变化规律 | 预测未来状态 |
| 重点 | 趋势、显著性、空间格局 | 精度、泛化能力、未来模拟 |
| 常用方法 | Theil-Sen、Mann-Kendall、Moran’s I、热点分析 | ARIMA、GWR、GTWR、LSTM、ConvLSTM、GCN、Transformer |
| 输出结果 | 趋势图、显著性图、热点区 | 未来预测值、风险概率、预测地图 |
| 应用场景 | 生态变化、气候变化、城市扩张分析 | 气象预测、交通预测、污染预测、灾害风险预测 |
5. 一般建模流程
时空变化趋势分析流程
1. 数据收集
如遥感影像、气象数据、统计年鉴、监测站点数据等。
2. 数据预处理
包括缺失值处理、空间配准、时间统一、归一化等。
3. 趋势计算
使用线性回归、Theil-Sen、Mann-Kendall 等方法。
4. 空间格局分析
使用 Moran’s I、热点分析、核密度估计等方法。
5. 结果可视化
制作趋势分布图、显著性分布图、热点图等。
时空预测建模流程
1. 构建时空数据集
包括时间序列、空间位置、邻接关系、环境变量等。
2. 特征工程
构造滞后变量、空间邻域变量、气象变量、人类活动变量等。
3. 选择模型
根据数据类型选择 ARIMA、GTWR、随机森林、LSTM、GCN 等。
4. 模型训练与验证
划分训练集、验证集、测试集。
5. 精度评价
常用指标包括：
\[
RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^n(y_i-\hat{y}_i)^2}
\]
\[
MAE = \frac{1}{n}\sum_{i=1}^n |y_i-\hat{y}_i|
\]
\[
R^2 = 1-\frac{\sum(y_i-\hat{y}_i)^2}{\sum(y_i-\bar{y})^2}
\]
6. 未来预测与制图
输出未来时空分布图或风险等级图。
6. 如何选择模型？
| 数据类型 | 推荐模型 |
|||
| 单站点时间序列 | ARIMA、SARIMA、LSTM |
| 多站点监测数据 | GWR、GTWR、随机森林、XGBoost、GCN |
| 栅格遥感数据 | Theil-Sen、Mann-Kendall、ConvLSTM、CNN-LSTM |
| 行政区面板数据 | 空间面板模型、SAR、SEM、SDM |
| 道路网络数据 | ST-GCN、DCRNN、Graph Transformer |
| 强调解释机制 | GWR、GTWR、空间计量模型 |
| 强调预测精度 | XGBoost、LSTM、ConvLSTM、Transformer |
如果你的研究目标是 分析某现象过去的空间和时间变化规律，应选择 时空变化趋势模型；
如果目标是 预测未来某区域或整个研究区的变化，应选择 时空预测模型。