En los últimos años, los modelos jerárquicos bayesianos se han utilizado ampliamente para modelar la dependencia espacial y temporal conjunta de grandes datos espacio-temporales que comúnmente involucran un gran número de observaciones faltantes. Este artículo representó, evaluó y comparó algunos modelos bayesianos y no bayesianos recientemente propuestos para predecir la media diaria de material particulado con un diámetro inferior a 10 (PM) medido en Qatar durante los años 2016-2019. La técnica de desagregación con un método de Monte Carlo de cadena de Markov con muestreador de Gibbs se utiliza para manejar los datos faltantes. Basándonos en los resultados obtenidos, concluimos que los procesos predictivos gaussianos con términos autorregresivos del modelo latente subyacente espacio-temporal son los mejores, en comparación con los procesos gaussianos bayesianos y los modelos aditivos generalizados no bayesianos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Efectos Combinados en Problemas Elípticos Singulares en un Dominio Perforado
Artículo:
Eliminación de ruido de imágenes basada en diccionarios mediante la selección de átomos Fused-Lasso
Artículo:
Analizando la Intención de Cambio de los Clientes Chinos de Marcas de Teléfonos Inteligentes: Integrando el Marco de Empuje-Tirón-Anclaje.
Artículo:
Propiedad de persistencia y descripción asintótica para la ecuación DGH con fuerte disipación.
Artículo:
Buen planteamiento para una clase de desigualdades variacionales-hemivariacionales fuertemente mixtas con perturbaciones
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Artículo:
La gestión de las relaciones con los clientes como característica de la alta rentabilidad empresarial
Artículo:
Análisis socioeconómico de la problemática de los desechos plásticos en el mar
Artículo:
Los web services como herramienta generadora de valor en las organizaciones