BSTVC DESKTOP

把时空异质性,转化为可解释的证据。

普通全局回归常以单一系数概括所有地点与时期,黑箱 GeoAI 则多在预测之后附加近似解释。BSTVC(贝叶斯时空变系数)把局部系数、不确定性、关键驱动与动态预测统一在贝叶斯白盒模型中,直接回答影响机制何时、何地、为何不同。

LOCAL INFLUENCEGLOBAL CONTRIBUTIONDYNAMIC PREDICTION
无需编程可复现贝叶斯白盒全球首个时空可解释分析开源工具。 · 时空可解释研究组织 ↗

BSTVC OFFICIAL FILM · 90 SECONDS

让时空可解释,从一部影片开始。

穿越局部影响、全局贡献与动态预测,在 90 秒内看见 BSTVC 如何把复杂的时空关系转化为可解释证据。

90″完整叙事3核心能力360P—4K四档独立编码
播放清晰度
网页影片 ↗独立播放页 ↗

桌面端默认 4K;手机端自动使用 360P 或 480P。主内容载入后仅预载所选 MP4,不与网页影片并行加载。

3目标变量
连续 · 二分类 · 计数
50 / 95贝叶斯可信区间
不确定性进入解释
12官方研究案例
2018—至今 · 健康与医学地理学
1 GB文件上传上限
适配大型面板与地图

01 / WHY BSTVC

解释性,不止是
一个重要性排序。

全局回归用同一个系数描述所有地点与时期,可能形成“平稳性偏差”。BSTVC 让变量关系回到真实地理情境,并同时给出作用强度、方向与不确定性。

同一因素为何在不同地点和时期产生不同影响?

进入 GeoAI 范式 ↗
01

全局平稳假设

单一系数隐含全部地点与时期关系相同,可能掩盖局部健康—环境机制。

GLOBAL POSTERIOR · β
02

时空非平稳关系

同时识别空间异质性和时间异质性,保留局部关系的地理意义。

LOCAL COEFFICIENT FIELD · β(s,t)
03

证据化解释

以可信区间、模型评价与 STVPI 回答“作用多大、证据多稳、谁更关键”。

CREDIBLE EVIDENCE · 95%
SPATIOTEMPORAL
INTERPRETABILITY

02 / THREE RESEARCH TASKS

从局部机制,到全局贡献,
再到动态预测。

Iβ(s,t)
LOCAL INTERPRETABILITY · CORE FUNCTION

局部时空可解释性

利用 STVC / STIVC 分析影响因素在不同地点与时期的作用方向、强度和不确定性,回答“在哪里、何时、怎样影响”。

TCs · SCs · 50/95% 可信区间
IIΣ%
GLOBAL INTERPRETABILITY · CORE FUNCTION

全局时空可解释性

利用 STVPI 量化解释因素的相对时空贡献,识别关键驱动因素及空间、时间变异来源。这些结果只能为时空归因研究提供重要证据,不构成归因或因果结论。

STVPI · 相对贡献 · 归因证据
IIIŷt+1
DYNAMIC PREDICTION · CORE FUNCTION

时空动态预测

通过 STVI / STIVI 等模型开展缺失值填补、时空平滑与未来预测,构建连续可靠的时空数据。

预测 · 插补 · 时空平滑

03 / GEOAI PARADIGM

两条地理定律,
一个白盒解释框架。

从“模型为什么这样预测”继续追问:这种关系发生在哪里、何时变化、证据有多稳定。

FIRST LAW空间自相关

邻近事物往往具有更强联系。BSTVC 在数据、过程与参数层级中表达空间或时空相关结构。

SECOND LAW空间异质性

研究现象及变量关系在不同地点并不相同。局部系数直接刻画这种空间和时空非平稳性。

INTERPRETABLE MODELSDATA → STRUCTURE → EVIDENCE
ANTE-HOC / 先验可解释 INTRINSIC INTERPRETABILITY

严格定义:解释变量、效应结构与证据输出在模型拟合前即被明确规定;解释直接来自模型参数及其后验分布,而非训练后的外部近似。

WHITE BOX / INTERPRETATION PATH观测数据 Y → 模型结构 Xβ(s,t) → 后验统计证据

解释直接来自模型结构与参数,而不是训练完成后附加的外部近似。

模型结构本身就是解释

回归系数、可信区间和方差分割直接来自贝叶斯白盒模型;机制与预测位于同一统计框架。

BSTVC 核心范式
POST-HOC / 事后解释

借助外部工具解释黑箱

解释发生在模型训练之后,通常是模型行为的近似描述,不等同于统计结构中的内生机制。

外部解释工具
LOCAL + GLOBAL + DYNAMIC

从局部机制、全局贡献到时空动态预测

BSTVC 将三类研究任务组织为连续证据链:先读取影响因素在哪里、何时、怎样作用,再比较关键驱动的相对贡献,最后在同一贝叶斯框架中完成插补、平滑与预测。

01 / LOCALβ(s,t)
局部时空可解释性

定位每个地点与时期的作用方向、强度和不确定性。

STVC · STIVC → coefficient surfaces
02 / GLOBALΣ%
全局时空可解释性

比较候选因素贡献,识别关键驱动及其时间—空间来源。

STVPI → variance partitioning
03 / DYNAMICŷ(t+1)
时空动态预测

在统一后验框架中完成缺失值插补、平滑与未来预测。

STVI · STIVI → posterior prediction
INTERACTIVE SCIENTIFIC DIAGRAM

04 / MODEL SYSTEM

一套体系,覆盖解释与预测。

从截距到系数、从独立变化到时空交互、从空间截面到时空面板,研究问题决定模型尺度。

HOW TO CHOOSE
只预测 Y 的时空变化?STVI / STIVI
→
解释 X 的局部作用?STVC / STIVC / BSVC
→
比较因素相对贡献?STVPI
动态预测ŷ
STVI

时空变截距

刻画目标变量自身的时空演变,用于缺失值填补、时空平滑与动态预测。

DATA
时空面板 Y(s,t)
BOUNDARY
关注目标变量变化,不解释 X 的局部效应
BAYESIAN WHITE-BOX MODEL
交互预测t×s
STIVI

时空交互变截距

在变截距结构中加入时空交互,表达空间与时间耦合的动态变化。

DATA
具有时空交互的面板 Y(s,t)
BOUNDARY
用于复杂动态预测,不替代变系数贡献分析
BAYESIAN WHITE-BOX MODEL
核心模型βst
初次使用建议 · STVC
STVC

时空变系数

拟合解释变量的局部时空系数,识别变量关系的时间与空间非平稳性。

DATA
Y(s,t) + 多个 X(s,t)
BOUNDARY
空间与时间效应相对独立变化
BAYESIAN WHITE-BOX MODEL
模型改进β×
STIVC

时空交互变系数

从时空交互假设出发,揭示更复杂的局部影响机制与演变模式。

DATA
分层或交互时空面板
BOUNDARY
需有明确的 SSH / TSH 交互假设
BAYESIAN WHITE-BOX MODEL
空间截面βs
BSVC

贝叶斯空间变系数

面向单一时点或空间截面数据,识别空间异质性关系与局部驱动模式。

DATA
单期空间截面 Y(s), X(s)
BOUNDARY
不估计时间变化,仅解释空间异质性
BAYESIAN WHITE-BOX MODEL
全局贡献Σ%
STVPI

时空方差分割指标

把模型结果转化为相对贡献百分比,识别关键因素及其时间、空间来源。

DATA
BSTVC 后验方差结果
BOUNDARY
用于相对贡献,不替代局部系数方向判断
BAYESIAN WHITE-BOX MODEL
CORE 01 / STVC时空独立非平稳假设

同时量化 Y 与多个 X 之间的空间和时间异质关联,并纳入空间、时间自相关;适合解析结构化时空非平稳性。

CORE 02 / STIVC时空交互非平稳假设

通过空间分层异质性 SSH 或时间分层异质性 TSH 定义交互随机效应,适配县—省、日—月等两层耦合数据,并控制模型复杂度。

CORE 03 / STVPI时空相对重要性

以方差分割把异质影响转化为可解释百分比,既可筛选关键因素,也可区分时间与空间贡献来源。

05 / METHOD ADVANTAGES

BSTVC 的方法优势:
可比较、可量化、可复现。

优势不只来自局部回归,而来自“全地图”统一建模、贝叶斯不确定性和完整结果链的组合。

01◎

“全地图”统一建模

在一个完整的贝叶斯层次框架中拟合全部局部参数,避免把每个地图单元拆成互不关联的小模型。

02⇄

局部系数直接可比

统一的数据层、过程层与参数层,使不同地点和时期的回归系数具有一致的统计口径。

0350/95

不确定性显式表达

局部预测、TCs 与 SCs 均可输出 50% 窄可信区间和 95% 宽可信区间。

04β→Σ

局部—全局解释闭环

从局部系数识别时空非平稳效应,再以 STVPI 比较因素的相对贡献百分比。

05Y³

三类目标变量

统一支持连续型(log-Gaussian)、二分类(logistic)与计数型(Poisson)响应。

06UI

零代码桌面工作流

把数据转换、字段检查、空间顺序对齐、模型运行、结果下载和可视化说明连接起来。

LOCALβ(s,t)异质影响机制

TCs · SCs · CI

→
GLOBALΣ%关键驱动识别

STVPI · contribution evidence

→
DYNAMICŷ时空动态预测

impute · smooth · forecast

ONE METHOD SERIES分析影响因素 → 识别关键驱动 → 动态预测

从局部机制解释到全局关键驱动识别,再到动态预测,BSTVC 以一套连贯的方法体系贯通研究问题、统计证据与决策表达,让复杂时空分析更清晰、更可信、更易复现。

06 / EMPIRICAL WORKFLOW

真实案例驱动的
桌面建模流程。

每种响应类型均使用用户手册中的真实软件界面。先完成数据读取与验证,再进行空间顺序检查、参数配置、运行与结果导出。

MODEL SPECIFICATION PRINCIPLE似然函数与链接函数应由响应变量的取值范围、分布特征和数据生成机制决定,而不是由研究者主观偏好选择。

  1. 01数据输入表格 + 完整地图
  2. 02检查对齐字段 + 空间顺序
  3. 03参数设置Y / X / Time / Space
  4. 04模型运行BSTVC / BSVC
  5. 05结果导出6 类 Excel 输出
ACTUAL DESKTOP SCREEN
BSTVC 连续型案例数据输入界面截图
真实界面截图 · 来源:BSTVC Desktop User Guide
log-Gaussian RESPONSE

全球健康调整寿命(HALE)

2000—2020 · 177 个国家和地区

适用问题适合研究寿命、资源数量、浓度、率值等连续指标为何随地点与时期变化。Gaussian likelihood on log-transformed response · identity link

INPUT
TestData_Continuous.csv + TestMap_Continuous 完整 Shapefile
RESPONSE
Y = HALE
EXPLANATORY X
高 BMI、卫生支出、自然环境、健康行为、PM2.5 等
OUTPUT
TCs · SCs · STVPI · 局部预测与可信区间
查看数据与参数规范 ↓
RESPONSE CHECK / 连续型避免错误选择

不要把明显偏态、过度离散的计数或只有 0/1 的结果直接当作连续变量;必要时先变换并检查分布。

下载三类示例数据 ↓

07 / READ THE OUTPUT

用真实图件读取
时空证据链。

不要孤立阅读一个系数。把 TCs、SCs、STVPI、局部预测、可信区间与模型评价组合起来,才能形成可解释结论。

连续型案例空间回归系数地图
真实案例结果图 · 来源:BSTVC Desktop User Guide
01 / RESULT

把局部影响方向和强度放回地图

02 / HOW TO READ

空间回归系数按地图单元输出,可在 R、ArcGIS 或 ArcGIS Pro 中制图。对多变量地图应保持一致的分级、色带与空间范围。

推荐制图:ArcGIS Pro / QGIS / R sf
SPATIAL NONSTATIONARITYLOCAL EFFECTMAPPING
03 / INTERPRETATION

先看方向与量级,再看宽窄可信区间;最后联动模型评价、地图分布和研究情境形成结论。

贝叶斯可信区间表达参数后验不确定性,不能简单等同于频率学显著性检验或机械地转写为“显著/不显著”。
DIC / WAIC模型拟合度

数值越小通常表示拟合表现越好。

↓ 越小通常越优
EFF / PD2模型复杂度

衡量有效参数与复杂程度。

↔ 结合拟合共同判断
LS / AUC预测能力

按响应类型评价精度与区分能力。

LS → 0 · AUC ↑
TCs / SCs局部关系

分别读取时间与空间非平稳效应。

方向 + 量级 + CrI
SCIENTIFIC FIGURE01 / 01

08 / SELECTED PUBLICATIONS

方法与应用的
研究证据链。

从方法提出到健康、社会与环境场景验证,代表性成果持续检验并扩展 BSTVC 系列模型的解释能力与应用边界。

2018
Scientific Reports

Estimating Missing Values in China’s Official Socioeconomic Statistics Using Progressive Spatiotemporal Bayesian Hierarchical Modeling.

中国省域面板1991—2011社会经济统计插补
DOI ↗
01
2019
Science of the Total Environment

Exploring Spatiotemporal Nonstationary Effects of Climate Factors on Hand, Foot, and Mouth Disease Using Bayesian STVC.

四川省县域36个月传染病与气候健康
DOI ↗
02
2020
Annals of GIS

Spatiotemporally Varying Coefficients Model: A Bayesian Local Regression to Detect Spatial and Temporal Nonstationarity.

中国县域面板2008—2017STVC 方法与验证
DOI ↗
03
2022
International Journal of Disaster Risk Reduction

Spatiotemporal Disparities in Regional Public Risk Perception of COVID-19 Using Bayesian STVC Series Models.

366个中国城市COVID-19时期公众风险感知
DOI ↗
04
2022
Journal of Cleaner Production

Spatiotemporal Heterogeneity in Associations of National Population Ageing with Socioeconomic and Environmental Factors.

189个国家和地区20年全球人口老龄化
DOI ↗
05
2024
BMC Public Health

Revealing Spatiotemporal Inequalities, Hotspots, and Determinants in Healthcare Resource Distribution.

2,308个中国县域长期面板医疗资源公平
DOI ↗
06
METHOD EVOLUTION2018—2026八年理论演进与多场景实证,沉淀为今天的开源方法体系。将鼠标移至年份,即可查看对应论文、专利与软件成果。
2018贝叶斯 STVI

缺失值估计与疾病风险制图。

2019贝叶斯 STVC

局部效应、降尺度与地质灾害实证。

2020通用 STVC

形成可推广的贝叶斯局部时空回归框架。

2021多领域拓展

旅游、灾害与软件系统持续验证。

2022STIVC + STVPI

时空交互与相对贡献进入统一体系。

2023成果转化

方法进入专利与可视化建模系统。

2024健康地理专刊

健康地理专题成果与大尺度县域健康服务研究深化。

2025R 包首发开源OPEN SOURCE

BSTVC-R 正式开源,多资源、妇幼健康与效率评价形成证据群。

2026BSTVC Desktop

R 包、桌面工具与知识生态协同开放。

2026 / RESEARCH EVIDENCEBSTVC Desktop5 项代表成果
论文

Hao, M., et al. Spatiotemporal Patterns of Age at Menarche or Spermarche in Chinese Children and Adolescents and Socioeconomic and Environmental Determinants: Findings from a Series of Nation-Wide Surveys, 1995 to 2019. Environment & Health (2026).

DOI ↗
数据论文

Tang, Z., et al. A Long-term Consistent Socioeconomic Dataset of Chinese Cities Generated by Bayesian Spatiotemporal Modeling with Multi-source Earth Observations. Earth System Science Data Discussions (2026): 1–39.

DOI ↗
论文

陈爰睿、薛锦、唐欣怡、解修峰、赵芃、唐章英、王秀丽、宋超:《顾及不公平、地理集聚与关键因素的中国孕产妇保健服务多指标联合时空评价》,《现代预防医学》(2026)。

开源工具

BSTVC Desktop 中文桌面版:将数据检查、模型运行、结果导出与使用支持整合为可视化工作流。

方法生态

BSTVC-R、Desktop User Guide、案例数据、INLA Resource Monitor 与官方网站共同组成开放研究工具链。

09 / RESEARCH APPLICATIONS

十二项研究案例,连接真实世界问题。

2018—至今METHOD-TO-APPLICATION
12OFFICIAL CASES
189 / 2,308COUNTRIES / COUNTIES
STVC · STIVC · STVPIMODEL FAMILY
01 / 12左右滑动浏览案例
PRIMARY SOURCE

完整方法说明、案例原始图件与持续更新,请访问 BSTVC 模型官网 ↗

DYNAMIC IDENTITY / BSTVCBSTVC 动态 Logo
BSTVC DESKTOP
CHINESE EDITION / 2026.7

10 / FREE DOWNLOAD

下载 BSTVC 中文桌面版,
从真实案例开始复现。

百度网盘分享包:2026.7 时空可解释分析工具BSTVC桌面版(安装包 帮助文档 案例)

https://pan.baidu.com/s/5h7zSPjXEvBINShxLVLjirA
PACKAGE CONTENTS
  • 01 Windows 桌面安装包
  • 02 中文用户手册 HTML
  • 03 连续型真实案例
  • 04 二分类真实案例
  • 05 计数型真实案例
  • 06 数据、地图与可视化说明
离线网页可浏览全部介绍;下载按钮需要联网访问百度网盘。

11 / USER GUIDE KNOWLEDGE HUB

从桌面版到 R 包,
建立完整研究工作台。

5 MIN QUICK START · 5分钟快速开始

从数据准备、9 项参数、6 类输出和当前版本边界,到 R 包安装、文档与反馈生态,使用标签页快速定位关键要求。

DESKTOP + R PACKAGE GUIDE

把表格与地图组织成可验证的时空面板

文件

支持 CSV、XLSX、XLS;地图需导入完整 Shapefile 文件集合,不能只提供 .shp。

空间顺序

每个时间截面的空间单元顺序应与地图一致;桌面版可自动比对、重排并导出检查后数据。

字段

表格与地图的空间唯一标识字段需名称、类型一致;缺失值统一用 NA 表示。

辅助工具

内置数据转换、字段转换和自定义空间矩阵,支持宽表转长表与字段数值化。

12 / AUXILIARY TOOL

BSTVC Process Monitor 静态 LogoBSTVC
MONITOR

BSTVC Process Monitor:
为线程参数找到合适的工作点。

BSTVC 计算通常需要更高的 CPU 与内存资源。这个面向 Windows 的本地监视器,帮助用户观察真实的 INLA 进程,并选择更快、更稳的线程设置。

WINDOWS / LOCAL ONLYv0.5.7

线程数越高,
不一定越快。

最佳参数取决于模型结构、数据规模、内存压力、处理器拓扑、散热和电源限制。监视器记录资源轨迹,帮助你在自己的电脑或工作站上比较线程设置。

BSTVC 建议起点6 THREADS

先从默认 6 线程开始,再结合监视结果和相近模型进行调整。

BSTVC PROCESS MONITORLIVE / LOCAL
CPU TOTAL68.4%stable activity
MEMORY7.8GBpeak 8.4 GB
THREADS06current / peak 06
RESOURCE TRAJECTORYpast 60 min
TOTAL CPU MEMORY PRESSURE
PROCESS / PIDRUNTIMESTATUS
inla.exe PID 428000:18:42RUNNING
inla.exe PID 391600:11:07STOPPED
LIVE RESOURCE SIGNALS

看见 INLA 正在怎样使用你的电脑

监视一个或多个 inla.exe,持续记录整机 CPU、内存、线程、PID、运行时长和进程状态;主 CPU 曲线采用可直接对照 Windows 任务管理器的整机口径。

  • CPU mean / P95 / 高于阈值比例
  • 当前与峰值线程数、内存占用
  • 多个进程按 PID、开始时间和运行时长区分
THREAD STARTING POINTS
08
进阶比较多核心工作站
12
谨慎测试关注内存与降频
线程更多不等于更快,请以相近模型实测为准。
THREAD DECISION

建议从默认 6 线程开始。 内存充足且单次任务规模较大时再尝试 8 线程;12 线程仅建议用于高核心数、高内存设备,并用监视器确认系统仍有稳定余量。

OPEN-SOURCE / MIT

项目由 bayesianstvc 发布;Windows 10/11、PowerShell 5.1 或 7、现代浏览器即可运行。查看 v0.5.7 Release ↗

13 / CONTACT & FEEDBACK

联系我们,
让方法与软件持续改进。

请根据问题类型选择联系人。反馈运行问题时,建议附上系统版本、响应类型、使用步骤、错误截图或日志,以及已脱敏的最小复现数据。

HEOA–WEST CHINA
HEALTH & MEDICAL GEOGRAPHY GROUP

RESEARCH ECOSYSTEM

方法、工具、案例与社区
形成同一知识入口

MODELSTVC · STIVC · STVPI
TOOLSDesktop · R package
CASES2018—至今 / 12 studies
COMMUNITYHealthGeography
医学地理信息与空间卫生统计微信公众号二维码
WECHAT / HEALTHGEOGRAPHY医学地理信息与空间卫生统计

微信扫描二维码,关注课题组公众号,获取健康地理与空间卫生统计研究动态。

欢迎报告问题、提出功能需求、提交代码变更,或分享新的实证案例。