文章目录
前言
想象一下，你站在一片连绵起伏的山坡上，地上随意撒着一些落叶。如果你只看脚下的几片叶子，会觉得它们的位置毫无规律。但当你退后几步，看向整片山坡，就会发现：大多数叶子都顺着山坡的"大趋势"在向下滑落。
趋势面法要做的，就是透过那些看似杂乱的数据点，用数学方法画出一张光滑的"脸谱"，来揭示隐藏在数据背后的 整体空间趋势。
一、预测房价的宏观规律
你想知道城市房价的空间分布规律。手头有全城100个小区的房价数据，它们看起来高高低低、杂乱无章。
常识：房价不是随机分布的，它通常呈现某些 系统性规律：
- 离市中心越远，房价可能越低（东西或南北方向的线性递减）
- 靠山面海的位置，房价可能更高（出现了弯曲的"隆起"）
- 新兴开发区可能形成一个独立的房价"高坡"
趋势面法就像一位画家，他不去描摹每一个小区（数据点）的细节，而是先画出 整座城市房价起伏的"地形骨架"。
二、给地球"脸部按摩"
- 收集数据点
就像在脸上标出几个关键穴位（已知房价的小区位置和价格）。 - 选择"按摩手法"（趋势面阶数）
一次趋势面（线性按摩）：只能按出平坦或倾斜的"脸皮"。
公式：房价 = a + b×经度 + c×纬度
结果：一个倾斜的平面，只能表现"从西北向东南均匀降价"这种简单趋势。
二次趋势面（ curvature 按摩）：能按出凹凸有致的"脸型"。
公式：加入 经度²、纬度²、经度×纬度 项
结果：可以拟合出"市中心高，四周低，但东南角又隆起"的曲面。
三次或更高次（精细化按摩）：能按出更复杂的轮廓，但可能过度拟合，把"痘痘"（局部异常）也当成脸型特征。 - 拟合与分离
拟合出的趋势面方程，就像那张"基础脸型"。
每个数据点的实际值 = 趋势值（脸型基础） + 残差（局部特征）
三、趋势值与残差
趋势值：由"离市中心距离"主导的宏观价格
残差：小区自身因素（如名校学区、地铁口、垃圾站旁）导致的与宏观趋势的偏差
趋势与残差：
趋势：可以被地理位置（经纬度）解释的部分，是"共性"
残差：无法被地理位置解释的部分，是"个性"
好比人的身高：趋势≈由年龄决定的生长曲线，残差≈遗传、营养导致的个体差异
四、阶数选择
低阶（1-2次）：看大势，防干扰
高阶（>3次）：追细节，易过拟合
就像选择地图比例尺：小比例尺（低阶）看山脉走向；大比例尺（高阶）能看到小山丘，但可能把一栋高楼也画成山。
五、实际应用场景
- 气象学：从离散气象站数据中，分离出"海拔升高气温降低"的大趋势和"山谷冷湖效应"的局部异常
- 地质学：分析矿床品位的大范围变化趋势，圈定异常靶区
- 环境科学：研究污染物浓度的空间梯度变化
- 农业：分析土壤养分随地形变化的整体规律
- 经济学：可视化区域经济发展水平的空间梯度
六、优缺点
- 优点：
能一眼看清 空间分布的主旋律
分离趋势和局部异常，便于进一步分析
数学原理相对直观（多元回归的空间版） - 缺点：
对数据边缘的预测可能不靠谱
复杂趋势需要高阶多项式，但高阶容易"跟着数据点跳舞"
假设趋势是光滑的，无法处理突变边界（如海岸线两侧截然不同）
七、与反距离权重法的根本区别
反距离权重法：像 打听邻居------预测某点的值主要看最近的几个点
趋势面法：像 研究地形图------先把握整片区域的大格局，再确定某点的趋势背景值
总结
趋势面法就像给地理数据做"趋势美颜"：
先平滑掉局部的"皱纹"和"斑点"（随机波动）
保留甚至突出整体的"骨相轮廓"（空间趋势）
最后得到一张能反映"本质面貌"的趋势脸谱
它不是为了精确预测每个点，而是为了 理解空间规律的主旋律，把"信号"（趋势）和"噪声"（局部变异）分开。