用于城市交通状态预测的多模型贝叶斯 Kriging

基于摘要分析。本文研究城市交通状态预测，提出多模型贝叶斯 Kriging 方法，以依赖各位置观测的判别式协方差函数描述交通流的平稳与非平稳变化，试图克服传统 Kriging 仅按位置间距离构造协方差、难以充分捕捉交通动态与状态转换的局限。 核心机制是让协方差不仅反映空间距离，也随所考虑位置的交通观测而变化。作者认为，这使模型能够表征拥堵区域及其上游、下游的相互作用。摘要未说明标题中的多模型如何组合、观测如何进入协方差、协方差有效性如何保证，以及贝叶斯推断的具体实现；这些细节尚未验证。 作者报告，在西班牙 Santander 的真实交通数据实验中，该方法在 RMSE 上相较传统 Kriging 有 8.4% 的优势。该数值对应交通预测实验，而非 EEG 评估；改进百分比的具体计算方式、预测时间跨度、数据划分、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：若这种观测条件化协方差机制能独立复用，可探索其是否有助于 EEG 通道间空间插值中的非平稳建模。原方法依赖带位置关系的交通观测，迁移时需将道路空间关系改为电极空间关系，并重新定义状态条件与协方差函数；交通上下游关系不能直接对应脑区联系。低信噪比可能使观测条件不稳定，跨被试电极布局差异和小样本也可能影响估计。一个可检验的小实验是在固定被试内划分下，仅用可见通道构造条件协方差，对遮蔽通道进行重建，并与仅依赖电极距离的 Kriging 比较 RMSE。这只是迁移假设，相关 EEG 工作尚未检索确认。