تحلیل سری های زمانی - مکانی بر اساس مولفه های اصلی دینامیکی یکطرفه

 تحلیل سری‌های زمانی - مکانی در علوم مختلف حائز اهمیت اما در عین حال چالش برانگیز است.  دقت تحلیل‌های سری‌‌‌های زمانی - مکانی به نحوه تبیین صحیح ارتباط در بعد زمان و مکان آنها بستگی دارد. در این مقاله، مولفه‌های اصلی دینامیکی یکطرفه جهت مدل‌سازی ساختار مشترک  سری‌های زمانی - مکانی معرفی و مورد استفاده قرار می‌گیرد. این مولفه‌های اصلی با مجموعه  داده‌هایی که شامل تعداد زیادی از سری‌های زمانی - مکانی است، قابل استفاده است. مولفه‌های اصلی دینامیکی علاوه بر ارتباط مکانی، تشخیص روند و روند فصلی،  انعکاس دهنده سایر عوامل مشترک زمانی و مکانی در مجموعه‌ای  از  سری‌های زمانی - مکانی هستند. جهت بررسی کارایی مولفه‌های اصلی دینامیکی یکطرفه،  از آنها برای خوشه‌‌‌بندی و پیش‌بینی در سری‌های زمانی - مکانی استفاده می‌شود.بر اساس سری‌های زمانی - مکانی بارندگی در ایستگاه‌های مختلف استان گلستان، کارایی مولفه‌‌های اصلی در خوشه‌بندی ایستگاه‌های هیدرومتری، مورد بررسی قرار می‌گیرد. همچنین پیش‌بینی بر اساس مولفه‌های اصلی دینامیکی یکطرفه برای مقادیر شاخص بارش استاندارد که یک شاخص مهم در بیان خشکسالی می‌باشد، انجام  می‌گیرد.

spatio-temporal analysis based on one-sided dynamic principal components

spatio-temporal series are widely used in various sciences. two challenges in most related research are forecasting and clustering of spatio-temporal series. the accuracy of analyses in these studies highly depends on the efficient modellingof the relationship of observations along time and space. in this article,one-sided dynamic principal components are introduced for spatio-temporalseries and used to model the common structure of these series. then, theprincipal components are used for cluster analysis and forecasting.material and methodsdynamic principal components are essential in reducing the dimension ofhigh-dimensional multivariate time series and the large number of spatiotemporalseries. based on the index introduced in this article, the number ofeffective one-sided dynamic principal components can be determined. then,these components can be used to reconstruct spatio-temporal series for furtheranalysis. in particular, the constructed spatio-temporal series are utilizedfor prediction and clustering.results and discussionin order to evaluate the efficiency of one-sided dynamic principal componentsin forecasting and clustering, they were used to analyze the spatio-temporalrainfall series in different stations of golestan province. the 3 one-sided principal components explained 51% of the total variation in mean squareerrors. based on these 3 principal components, the rainfall series of stationswere reconstructed, and their values were used for clustering and forecasting.the results were the same based on the original series and the reconstructedones. moreover, although only 3 principal components were used in rainfallforecasting, the method overperformed the starma spatio-temporal modelsin forecasting.conclusionthe results of using one-sided dynamic principal components in forecastingand clustering spatio-temporal series illustrated this method’s high efficiency.the clustering analysis results based on the reconstructed series were completelyconsistent with the dispersions of the rainfall in golestan province.moreover, the high accuracy in forecasting compared to the common spatiotemporalmodel ”starma” showed the high efficiency of the one-sided dynamicprincipal components. the results revealed that the one-sided dynamic principalcomponents and spatial information reflect the cross-correlation betweentime series in different stations. this work suggests that the one-sideddynamic principal component method is suitable for analyzing the high dimensionalspatio-temporal series in various fields. furthermore, its linearstructure enables researchers in applied fields to interpret the coefficients ofcomponents more conventionally.