用Python搞定时空数据分析：手把手教你用mgtwr包跑通GTWR模型（附完整代码）

Python实战用GTWR模型解锁时空数据分析的完整流程时空数据分析正在成为城市规划、环境科学和商业决策中的关键工具。想象一下你手头有一组包含地理位置和时间戳的房价数据如何从中挖掘出空间位置和时间变化对价格的综合影响这正是地理时空加权回归GTWR模型的用武之地。与传统的GWR模型相比GTWR不仅考虑空间异质性还引入了时间维度能够更精确地捕捉变量关系的时空演变特征。本文将带你从零开始使用Python中的mgtwr包完成GTWR建模全流程。不同于理论讲解我们聚焦于实战操作涵盖数据准备、参数优化、模型拟合到结果可视化的每个技术细节。无论你是地理信息专业的研究生还是需要处理时空数据的分析师这份指南都能让你快速获得可复用的代码解决方案。1. 环境配置与数据准备1.1 安装必要工具包GTWR分析需要一组专门的地理统计工具链。推荐使用Anaconda创建专属Python环境conda create -n gtwr_env python3.8 conda activate gtwr_env pip install mgtwr geopandas pandas numpy matplotlib statsmodels核心工具包功能说明mgtwr提供GTWR模型实现geopandas处理地理空间数据statsmodels辅助统计检验1.2 数据格式要求GTWR模型需要四种核心数据要素import numpy as np import pandas as pd # 模拟数据生成示例 np.random.seed(2023) coordinates np.random.uniform(0, 10, (100, 2)) # 空间坐标(x,y) timestamps np.arange(0, 10, 0.1).reshape(-1,1) # 时间序列 predictors np.random.normal(0, 1, (100, 3)) # 解释变量 target np.random.poisson(10, (100, 1)) # 因变量关键检查点坐标需转换为平面坐标系如UTM直接使用经纬度会导致距离计算偏差时间变量建议归一化到相同量级如0-1范围缺失值需提前处理GTWR不支持自动插补1.3 数据可视化探索建模前应通过可视化检验时空分布特征import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig plt.figure(figsize(12,6)) ax fig.add_subplot(111, projection3d) ax.scatter(coordinates[:,0], coordinates[:,1], timestamps.flatten(), ctarget.flatten(), cmapviridis) ax.set_xlabel(X坐标) ax.set_ylabel(Y坐标) ax.set_zlabel(时间) plt.colorbar(ax.collections[0], label目标变量值) plt.show()此三维散点图可直观显示目标变量在时空立方体中的分布模式帮助识别异常值和空间聚集趋势。2. 模型参数优化实战2.1 理解关键超参数GTWR模型有两个核心参数需要优化参数作用典型范围影响带宽(bw)控制空间邻域范围0.1-50值越小局部性越强时间比例(τ)平衡时空权重0.1-10决定时间衰减速度专业提示当τ1时时空距离被同等对待τ1表示时间影响更强τ1则空间因素占主导2.2 自动参数搜索技术mgtwr包提供了基于黄金分割搜索的自动化参数优化from mgtwr.sel_bws import Sel_bws selector Sel_bws( coordscoordinates, ttimestamps, ytarget, Xpredictors, kernelgaussian, fixedTrue ) best_bw, best_tau selector.search( bw_max30, tau_max5, verboseTrue ) print(f最优参数带宽{best_bw:.2f}, τ{best_tau:.2f})搜索过程会输出不同参数组合的AICc值越小越好最终返回最优参数。对于大型数据集可以设置tol1e-3提前终止搜索以节省计算时间。2.3 核函数选择策略权重函数决定了邻近点的衰减方式常见选项对比高斯核平滑衰减适合连续变化现象kernelgaussian # 默认选项Bi-square明确边界适合离散分区kernelbisquare # 需指定cutoff距离指数核快速衰减强调局部特征可通过交叉验证比较不同核函数的模型表现kernels [gaussian, bisquare, exponential] results {} for kern in kernels: model GTWR(coordinates, timestamps, target, predictors, bwbest_bw, taubest_tau, kernelkern).fit() results[kern] model.R2 pd.DataFrame.from_dict(results, orientindex, columns[R-squared])3. 模型拟合与诊断3.1 完整建模流程获得最优参数后即可拟合最终模型from mgtwr.gtwr import GTWR final_model GTWR( coordscoordinates, ttimestamps, ytarget, Xpredictors, bwbest_bw, taubest_tau, kernelgaussian, fixedTrue, constantTrue ).fit()3.2 关键输出解读模型对象包含丰富的信息print(f模型R²: {final_model.R2:.3f}) print(f调整后R²: {final_model.adj_R2:.3f}) print(fAICc: {final_model.AICc:.1f}) # 回归系数分布统计 betas pd.DataFrame(final_model.betas) print(betas.describe().T)重点关注R²0.7表示模型解释力良好系数标准差波动过大可能预示过拟合残差空间自相关Morans I检验应不显著3.3 残差时空分析检验模型残差的时空分布模式residuals final_model.resid_response # 空间自相关检验 from esda.moran import Moran moran Moran(residuals, final_model.W) print(fMorans I: {moran.I:.3f}, p-value: {moran.p_norm:.4f}) # 时间自相关检验 from statsmodels.tsa.stattools import acf acf_values acf(residuals, nlags5) print(残差自相关系数:, acf_values)健康模型的残差应满足空间随机性Morans I不显著无时间自相关ACF接近0正态分布QQ图检验4. 结果可视化与应用4.1 时空变化模式制图将回归系数映射到地理空间import geopandas as gpd from shapely.geometry import Point # 创建地理数据框 geometry [Point(xy) for xy in coordinates] gdf gpd.GeoDataFrame( pd.DataFrame(final_model.betas), geometrygeometry ) # 绘制系数空间分布 fig, ax plt.subplots(1, 3, figsize(18,6)) for i, col in enumerate([截距, 变量1, 变量2]): gdf.plot(columni, legendTrue, axax[i], cmapcoolwarm, markersize50) ax[i].set_title(f{col}系数空间分布) plt.tight_layout()4.2 时间动态可视化展示系数随时间的变化趋势trend_data pd.DataFrame({ 时间: timestamps.flatten(), 变量1系数: final_model.betas[:,1], 变量2系数: final_model.betas[:,2] }) fig, ax plt.subplots(figsize(10,6)) for col in [变量1系数, 变量2系数]: ax.plot(trend_data[时间], trend_data[col], labelcol) ax.set_xlabel(时间) ax.set_ylabel(回归系数) ax.legend() plt.show()4.3 实际应用案例以房价分析为例GTWR可以揭示空间异质性学区房效应在不同区域的强度差异时间演变地铁开通前后对房价影响的变化交互效应商业配套与绿化率的协同作用时空变化通过final_model.betas矩阵可以提取每个时空点的具体系数值支持精细化决策。例如识别价值被低估的片区或预测政策干预的时空影响范围。