时空数据分析实战GTWR模型原理与Python实现全解析时空数据建模是地理信息系统和空间统计领域的重要课题传统回归方法往往忽略了数据在空间和时间维度上的非平稳性。本文将深入探讨地理时空加权回归(GTWR)模型从数学原理到代码实现带你全面掌握这一强大的分析工具。1. GTWR模型的核心原理GTWR(Geographically and Temporally Weighted Regression)是在GWR(地理加权回归)基础上发展而来的时空建模方法。与普通线性回归的全局参数估计不同GTWR允许回归系数随地理位置和时间变化从而更准确地捕捉时空异质性。1.1 数学模型解析GTWR模型的基本表达式为y_i β_0(u_i,v_i,t_i) Σ[β_k(u_i,v_i,t_i)x_ik] ε_i其中(u_i,v_i)表示第i个样本点的空间坐标t_i表示观测时间点y_i是因变量值x_ik是第k个解释变量ε_i为误差项β_k(u_i,v_i,t_i)是时空变化的回归系数与传统GWR相比GTWR引入了时间维度权重使得模型能够同时考虑空间邻近性和时间邻近性对回归结果的影响。1.2 时空权重矩阵构建权重矩阵W是GTWR的核心决定了各样本点对当前点估计的影响程度。时空权重通常由空间权重和时间权重的组合构成W_uvt W_u * W_v * W_t常用的权重函数包括高斯函数w(d) exp(-(d/b)^2)Bi-square函数w(d) [1-(d/b)^2]^2 (当d≤b时)其中b是带宽参数控制权重随距离衰减的速度。2. 数据准备与预处理在应用GTWR模型前需要对数据进行适当的预处理。以下是一个完整的数据准备流程2.1 数据格式要求GTWR模型通常需要以下数据列空间坐标(经度、纬度)时间戳(可以是日期或连续时间值)解释变量(特征)因变量(目标变量)import numpy as np import pandas as pd # 生成模拟数据 np.random.seed(42) n_samples 1000 # 生成空间坐标(0-10范围内的随机点) coords np.random.uniform(0, 10, (n_samples, 2)) # 生成时间序列(0-24个月) t np.random.uniform(0, 24, (n_samples, 1)) # 生成解释变量 X1 np.random.normal(5, 2, (n_samples, 1)) X2 np.random.poisson(3, (n_samples, 1)) # 生成时空变化的回归系数 beta0 2 np.sin(coords[:,0]/5) np.cos(t/12) beta1 1 (coords[:,0]coords[:,1])/20 beta2 3 - (t-12)**2/144 # 生成因变量 y beta0 beta1*X1.flatten() beta2*X2.flatten() np.random.normal(0, 0.5, n_samples) # 构建DataFrame data pd.DataFrame({ lng: coords[:,0], lat: coords[:,1], time: t.flatten(), X1: X1.flatten(), X2: X2.flatten(), y: y })2.2 时空尺度统一由于空间距离和时间距离的单位不同需要进行标准化处理from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() data[[lng,lat]] scaler.fit_transform(data[[lng,lat]]) data[time] scaler.fit_transform(data[[time]])3. 模型参数优化GTWR模型有两个关键参数需要确定空间带宽(bw)和时间尺度参数(tau)。参数选择直接影响模型性能。3.1 黄金分割搜索法from mgtwr.sel_bws import Sel_bws # 准备数据 coords data[[lng,lat]].values t data[[time]].values y data[[y]].values X data[[X1,X2]].values # 参数搜索 sel Sel_bws(coords, t, y, X, kernelgaussian, fixedTrue) bw, tau sel.search(bw_max10, tau_max5, verboseTrue) print(f最优参数: bw{bw:.2f}, tau{tau:.2f})3.2 交叉验证法对于更精确的参数选择可以使用交叉验证from mgtwr.gtwr import GTWR from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) scores [] for bw_candidate in np.linspace(0.1, 5, 10): for tau_candidate in np.linspace(0.1, 3, 5): fold_scores [] for train_idx, test_idx in tscv.split(X): model GTWR(coords[train_idx], t[train_idx], y[train_idx], X[train_idx], bwbw_candidate, tautau_candidate, kernelgaussian).fit() pred model.predict(coords[test_idx], t[test_idx], X[test_idx]) score np.mean((pred - y[test_idx])**2) fold_scores.append(score) scores.append({ bw: bw_candidate, tau: tau_candidate, score: np.mean(fold_scores) }) # 找出最优参数 best_params min(scores, keylambda x: x[score])4. 模型训练与结果分析4.1 模型拟合# 使用最优参数拟合模型 gtwr_model GTWR(coords, t, y, X, bwbest_params[bw], taubest_params[tau], kernelgaussian).fit() # 模型摘要 print(fR平方: {gtwr_model.R2:.4f}) print(f调整后R平方: {gtwr_model.adj_R2:.4f}) print(fAIC: {gtwr_model.AIC:.2f})4.2 结果可视化import matplotlib.pyplot as plt # 绘制系数空间分布 plt.figure(figsize(15,5)) plt.subplot(131) plt.scatter(coords[:,0], coords[:,1], cgtwr_model.betas[:,1], cmapcoolwarm) plt.colorbar(labelX1系数) plt.title(X1系数空间分布) plt.subplot(132) plt.scatter(coords[:,0], coords[:,1], cgtwr_model.betas[:,2], cmapcoolwarm) plt.colorbar(labelX2系数) plt.title(X2系数空间分布) plt.subplot(133) plt.scatter(t, gtwr_model.betas[:,1], alpha0.3) plt.xlabel(时间) plt.ylabel(X1系数) plt.title(X1系数随时间变化) plt.tight_layout() plt.show()5. 高级应用与扩展5.1 多尺度GTWR模型当不同解释变量具有不同的空间或时间尺度时可以使用多尺度GTWR(MGTWR)from mgtwr.gtwr import MGTWR from mgtwr.sel_bws import Sel_bws # 多尺度参数搜索 sel_multi Sel_bws(coords, t, y, X, kernelgaussian, fixedTrue, multiTrue) multi_bw, multi_tau sel_multi.search(multi_bw_min[0.1], verboseTrue) # 拟合多尺度模型 mgtwr_model MGTWR(coords, t, y, X, sel_multi, kernelgaussian, fixedTrue).fit()5.2 时空预测训练好的GTWR模型可用于新数据的预测# 生成新时空点 new_coords np.random.uniform(0, 1, (100, 2)) new_t np.random.uniform(0, 1, (100, 1)) new_X np.random.normal(0, 1, (100, 2)) # 预测 predictions gtwr_model.predict(new_coords, new_t, new_X)6. 实际应用案例以城市空气质量分析为例演示GTWR的实际应用# 加载空气质量数据 air_quality pd.read_csv(air_quality.csv) # 预处理 coords air_quality[[longitude,latitude]].values dates pd.to_datetime(air_quality[date]) t (dates - dates.min()).dt.days.values.reshape(-1,1) y air_quality[PM2.5].values.reshape(-1,1) X air_quality[[temperature,wind_speed,humidity]].values # 拟合GTWR模型 gtwr_air GTWR(coords, t, y, X, bw0.5, tau0.3, kernelgaussian).fit() # 分析结果 plt.figure(figsize(12,6)) plt.scatter(coords[:,0], coords[:,1], cgtwr_air.betas[:,1], cmapcoolwarm) plt.colorbar(label温度系数) plt.title(温度对PM2.5影响的空间变异)通过GTWR模型我们可以发现温度对PM2.5浓度的影响在不同区域和不同季节存在显著差异这为精准的环境治理提供了科学依据。
手把手教你用GTWR模型分析时空数据：从理论公式到Python代码逐行解析
时空数据分析实战GTWR模型原理与Python实现全解析时空数据建模是地理信息系统和空间统计领域的重要课题传统回归方法往往忽略了数据在空间和时间维度上的非平稳性。本文将深入探讨地理时空加权回归(GTWR)模型从数学原理到代码实现带你全面掌握这一强大的分析工具。1. GTWR模型的核心原理GTWR(Geographically and Temporally Weighted Regression)是在GWR(地理加权回归)基础上发展而来的时空建模方法。与普通线性回归的全局参数估计不同GTWR允许回归系数随地理位置和时间变化从而更准确地捕捉时空异质性。1.1 数学模型解析GTWR模型的基本表达式为y_i β_0(u_i,v_i,t_i) Σ[β_k(u_i,v_i,t_i)x_ik] ε_i其中(u_i,v_i)表示第i个样本点的空间坐标t_i表示观测时间点y_i是因变量值x_ik是第k个解释变量ε_i为误差项β_k(u_i,v_i,t_i)是时空变化的回归系数与传统GWR相比GTWR引入了时间维度权重使得模型能够同时考虑空间邻近性和时间邻近性对回归结果的影响。1.2 时空权重矩阵构建权重矩阵W是GTWR的核心决定了各样本点对当前点估计的影响程度。时空权重通常由空间权重和时间权重的组合构成W_uvt W_u * W_v * W_t常用的权重函数包括高斯函数w(d) exp(-(d/b)^2)Bi-square函数w(d) [1-(d/b)^2]^2 (当d≤b时)其中b是带宽参数控制权重随距离衰减的速度。2. 数据准备与预处理在应用GTWR模型前需要对数据进行适当的预处理。以下是一个完整的数据准备流程2.1 数据格式要求GTWR模型通常需要以下数据列空间坐标(经度、纬度)时间戳(可以是日期或连续时间值)解释变量(特征)因变量(目标变量)import numpy as np import pandas as pd # 生成模拟数据 np.random.seed(42) n_samples 1000 # 生成空间坐标(0-10范围内的随机点) coords np.random.uniform(0, 10, (n_samples, 2)) # 生成时间序列(0-24个月) t np.random.uniform(0, 24, (n_samples, 1)) # 生成解释变量 X1 np.random.normal(5, 2, (n_samples, 1)) X2 np.random.poisson(3, (n_samples, 1)) # 生成时空变化的回归系数 beta0 2 np.sin(coords[:,0]/5) np.cos(t/12) beta1 1 (coords[:,0]coords[:,1])/20 beta2 3 - (t-12)**2/144 # 生成因变量 y beta0 beta1*X1.flatten() beta2*X2.flatten() np.random.normal(0, 0.5, n_samples) # 构建DataFrame data pd.DataFrame({ lng: coords[:,0], lat: coords[:,1], time: t.flatten(), X1: X1.flatten(), X2: X2.flatten(), y: y })2.2 时空尺度统一由于空间距离和时间距离的单位不同需要进行标准化处理from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() data[[lng,lat]] scaler.fit_transform(data[[lng,lat]]) data[time] scaler.fit_transform(data[[time]])3. 模型参数优化GTWR模型有两个关键参数需要确定空间带宽(bw)和时间尺度参数(tau)。参数选择直接影响模型性能。3.1 黄金分割搜索法from mgtwr.sel_bws import Sel_bws # 准备数据 coords data[[lng,lat]].values t data[[time]].values y data[[y]].values X data[[X1,X2]].values # 参数搜索 sel Sel_bws(coords, t, y, X, kernelgaussian, fixedTrue) bw, tau sel.search(bw_max10, tau_max5, verboseTrue) print(f最优参数: bw{bw:.2f}, tau{tau:.2f})3.2 交叉验证法对于更精确的参数选择可以使用交叉验证from mgtwr.gtwr import GTWR from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) scores [] for bw_candidate in np.linspace(0.1, 5, 10): for tau_candidate in np.linspace(0.1, 3, 5): fold_scores [] for train_idx, test_idx in tscv.split(X): model GTWR(coords[train_idx], t[train_idx], y[train_idx], X[train_idx], bwbw_candidate, tautau_candidate, kernelgaussian).fit() pred model.predict(coords[test_idx], t[test_idx], X[test_idx]) score np.mean((pred - y[test_idx])**2) fold_scores.append(score) scores.append({ bw: bw_candidate, tau: tau_candidate, score: np.mean(fold_scores) }) # 找出最优参数 best_params min(scores, keylambda x: x[score])4. 模型训练与结果分析4.1 模型拟合# 使用最优参数拟合模型 gtwr_model GTWR(coords, t, y, X, bwbest_params[bw], taubest_params[tau], kernelgaussian).fit() # 模型摘要 print(fR平方: {gtwr_model.R2:.4f}) print(f调整后R平方: {gtwr_model.adj_R2:.4f}) print(fAIC: {gtwr_model.AIC:.2f})4.2 结果可视化import matplotlib.pyplot as plt # 绘制系数空间分布 plt.figure(figsize(15,5)) plt.subplot(131) plt.scatter(coords[:,0], coords[:,1], cgtwr_model.betas[:,1], cmapcoolwarm) plt.colorbar(labelX1系数) plt.title(X1系数空间分布) plt.subplot(132) plt.scatter(coords[:,0], coords[:,1], cgtwr_model.betas[:,2], cmapcoolwarm) plt.colorbar(labelX2系数) plt.title(X2系数空间分布) plt.subplot(133) plt.scatter(t, gtwr_model.betas[:,1], alpha0.3) plt.xlabel(时间) plt.ylabel(X1系数) plt.title(X1系数随时间变化) plt.tight_layout() plt.show()5. 高级应用与扩展5.1 多尺度GTWR模型当不同解释变量具有不同的空间或时间尺度时可以使用多尺度GTWR(MGTWR)from mgtwr.gtwr import MGTWR from mgtwr.sel_bws import Sel_bws # 多尺度参数搜索 sel_multi Sel_bws(coords, t, y, X, kernelgaussian, fixedTrue, multiTrue) multi_bw, multi_tau sel_multi.search(multi_bw_min[0.1], verboseTrue) # 拟合多尺度模型 mgtwr_model MGTWR(coords, t, y, X, sel_multi, kernelgaussian, fixedTrue).fit()5.2 时空预测训练好的GTWR模型可用于新数据的预测# 生成新时空点 new_coords np.random.uniform(0, 1, (100, 2)) new_t np.random.uniform(0, 1, (100, 1)) new_X np.random.normal(0, 1, (100, 2)) # 预测 predictions gtwr_model.predict(new_coords, new_t, new_X)6. 实际应用案例以城市空气质量分析为例演示GTWR的实际应用# 加载空气质量数据 air_quality pd.read_csv(air_quality.csv) # 预处理 coords air_quality[[longitude,latitude]].values dates pd.to_datetime(air_quality[date]) t (dates - dates.min()).dt.days.values.reshape(-1,1) y air_quality[PM2.5].values.reshape(-1,1) X air_quality[[temperature,wind_speed,humidity]].values # 拟合GTWR模型 gtwr_air GTWR(coords, t, y, X, bw0.5, tau0.3, kernelgaussian).fit() # 分析结果 plt.figure(figsize(12,6)) plt.scatter(coords[:,0], coords[:,1], cgtwr_air.betas[:,1], cmapcoolwarm) plt.colorbar(label温度系数) plt.title(温度对PM2.5影响的空间变异)通过GTWR模型我们可以发现温度对PM2.5浓度的影响在不同区域和不同季节存在显著差异这为精准的环境治理提供了科学依据。
