多变量时间序列中的空间相关性建模与应用

1. 空间相关性基础概念解析

空间相关性是多变量时间序列分析中的核心概念，它描述了不同变量在空间维度上的相互依赖关系。想象一下城市交通系统中的各个路口：当一个路口发生拥堵时，相邻路口往往也会受到影响，这种"连锁反应"就是空间相关性的典型表现。

1.1 数学形式化定义

给定一个包含C个变量的时间序列集合X={x₁,x₂,...,x_C}，每个变量xᵢ都是一个长度为T的观测序列。在任意时刻t，系统的状态可以用向量xₜ∈R^C表示。空间相关性则定义为：

• 同步相关性：变量xᵢ和xⱼ在同一时刻t的统计依赖
• 滞后相关性：变量xᵢ在时刻t与变量xⱼ在时刻t-τ的统计依赖（τ>0）

这种相关性意味着，知道一个变量的状态可以帮助我们更好地预测另一个变量的状态。在实际系统中，滞后相关性特别重要，因为它反映了"因果影响"的传播过程。

1.2 相关性类型与应用场景

根据变量间关系的性质，空间相关性可分为几种典型情况：

1. 物理空间相关性：如交通路网中相邻路口的车流量关系
2. 功能空间相关性：如电力系统中发电站与变电站的负荷关系
3. 统计空间相关性：如股票市场中相关行业股票的价格波动关系

实际经验：在构建预测模型时，我们常常需要同时考虑多种类型的空间相关性。例如在电网负荷预测中，既要考虑物理连接带来的相关性，也要考虑天气因素导致的区域性相关性。

2. 空间相关性度量方法

2.1 线性相关性度量

皮尔逊相关系数是最常用的线性相关性度量：

ρᵢⱼ = cov(xᵢ,xⱼ)/(σᵢσⱼ)

其中cov表示协方差，σ表示标准差。这个系数的取值范围在[-1,1]之间：

• ρ≈1：强正相关
• ρ≈-1：强负相关
• ρ≈0：无线性相关

计算示例：
假设我们有两个温度传感器一周的读数：

• 传感器A：[22,23,24,25,24,23,22]
• 传感器B：[21,22,23,24,23,22,21]

计算过程：

1. 计算均值：μ_A=23.29, μ_B=22.29
2. 计算协方差：cov=0.952
3. 计算标准差：σ_A=1.11, σ_B=1.11
4. 最终相关系数：ρ=0.952/(1.11*1.11)≈0.77

这表明两个传感器读数存在较强的正相