MARC

 008180601s2015        us          esm        001c    eng
■001MOKWON01258113
■00520180518094333
■007cr
■020    ▼a9781369838763
■035    ▼a(MiAaPQ)AAI10610143
■035    ▼a(MiAaPQ)OhioLINK:osu1429586479
■040    ▼aMiAaPQ▼cMiAaPQ
■090    ▼a전자도서(박사논문)
■1001  ▼aChen,  Linchao.
■24510▼aPredictive  Modeling  of  Spatio-Temporal  Datasets  in  High  Dimensions▼h[electronic  resource]▼cChen,  Linchao.
■260    ▼a[Sl]▼bThe  Ohio  State  University▼c2015
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2015
■300    ▼a1  online  resource(148  p)
■500    ▼aSource:  Dissertation  Abstracts  International,  Volume:  78-10(E),  Section:  B.
■500    ▼aAdvisers:  Mark  Berliner;  Christopher  Hans.
■5021  ▼aThesis  (Ph.D.)--The  Ohio  State  University,  2015.
■520    ▼aSpatio-temporal  datasets  in  many  research  areas  may  be  very  high-dimensional  and  have  complicated  dependence  structures  in  both  space  and  time.  Various  dimension  reduction  techniques  have  been  introduced  to  extract  key  information  from  single  or  multiple  datasets.  Standard  dimension-reduced  Bayesian  hierarchical  modeling  approaches  use  a  few  spatial  basis  functions  to  capture  the  spatial  structure  and  model  temporal  dynamics  through  their  coefficients.  However,  these  approaches  are  not  always  satisfactory  in  predictive  modeling  of  complicated  systems.  It  is  challenging  to  build  statistical  models  that  are  computationally  efficient  for  very  large  datasets  and  able  to  adequately  model  the  dependence  structure.
■520    ▼aIn  this  dissertation,  we  focus  on  developing  modeling  strategies  for  high-dimensional  spatio-temporal  datasets  in  the  context  of  predictive  modeling,  especially  when  standard  dimension  reduction  methods  do  not  perform  well.  We  discuss  modeling  strategies  to  synthesize  multiple  high-dimensional  information  sources  and  produce  accurate  predictions.  We  consider  the  sea  surface  temperature  (SST)  prediction  problem  of  Berliner  et  al.  [2000]  and  demonstrate  challenges  and  advantages  of  incorporating  high-dimensional  climate  model  output  along  with  temperature  observations  to  improve  predictive  accuracy.  Furthermore,  we  develop  a  two-scale  modeling  strategy  for  dimension-reduced  modeling.  This  modeling  strategy  is  able  to  capture  both  large-scale  and  local  dynamics  using  a  large-scale  component  derived  from  standard  dimension  reduction  techniques  and  a  local  component  customized  for  each  pre-partitioned  subregion.  Empirical  experiments  show  that  this  strategy  is  more  efficient  in  capturing  variability  when  standard  dimension  reduction  methods  do  not  perform  well.  It  delivers  more  balanced  results  in  the  presence  of  outliers.  We  also  discuss  its  potential  as  a  spatially  varying  modeling  approach.  Finally,  we  gather  examples  of  how  one  can  use  coarse  scale  information  in  dimension  reduction,  EOF  analysis,  predictive  modeling,  generation  of  partitions,  and  provide  discussion  on  potential  strategies  to  choose  appropriate  aggregation  scales.
■590    ▼aSchool  code:  0168.
■650  4▼aStatistics
■690    ▼a0463
■71020▼aThe  Ohio  State  University▼bStatistics.
■7730  ▼tDissertation  Abstracts  International▼g78-10B(E).
■773    ▼tDissertation  Abstract  International
■790    ▼a0168
■791    ▼aPh.D.
■792    ▼a2015
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T14823742▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a20180515▼f2018

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서