Я установил в Python циклостационарный процесс авторегрессии порядка 1 (AR-1) для генерации нескольких будущих временных рядов скорости ветра.До сих пор, очевидно, я проверяю временную автокорреляцию моих данных о скорости ветра, имеющих одномерный случай только для одного пикселя.
Предполагая, что у меня есть временной ряд для нескольких пикселей (паттерны скорости ветра), и я хочурасширить эту процедуру в пространстве, чтобы генерировать искусственные временные ряды, не только коррелированные во времени, но и в пространстве.Какая методология является наиболее подходящей и «легко» используемой?
Я не эксперт в такого рода статистических методах, поэтому я немного растерялся и извиняюсь за любые ошибки.Я изучал модели авторегрессии пространства-времени (STAR - PySAL ), модели векторной авторегрессии (VAR), гауссовские случайные поля ( SkiKit-Learn ) и т. Д., Но я вижу, что наиболее подходящимМетодология этого вида авторегрессии в основном основана на:
- векторных моделях авторегрессии (VAR) с использованием statsmodels , где мой многомерный случай основан на всех соседних пикселях временных рядов, это правильно?
Я просто пытаюсь найти, какая процедура является наиболее подходящей для изучения пространственной автокорреляции в авторегрессионном процессе, учитывая, что я не эксперт в такого рода анализе.Я уже видел этот ответ , но я не мог понять, какой из них лучший.