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 ATTRIBUTIONDYNAMIC 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。
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,到全局归因,
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。

STVPI · 相对贡献 · 时空归因
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、全局归因到时空动态预测

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,不替代变系数归因
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
全局归因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。

05

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 · attribution

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。