تعرف على AI4S المعاينة المباشرة | أفكار جديدة لتحليل أسعار المساكن: الشبكات العصبية تعالج بشكل مباشر التباين المكاني في البيئات الجغرافية المعقدة
في السنوات الأخيرة، شهد سوق العقارات تقلبات صعوداً وهبوطاً، وأصبحت أسعار المساكن عاملاً مهماً يؤثر على شعور السكان بالسعادة. تحتاج معظم العائلات إلى مواجهة القرار الصعب المتمثل في "ما إذا كان ينبغي شراء منزل، ومتى ينبغي شراء منزل، وأين ينبغي شراء منزل، وأي منزل ينبغي شراؤه". إن الإجابة على كل سؤال ترتبط ارتباطا وثيقا بتقلب أسعار المساكن إلى حد ما.
في السنوات الأخيرة، أصبح التباين في أسعار المساكن بين المدن في بلدي واضحا بشكل متزايد. حتى ضمن نفس المنطقة القضائية لنفس المدينة، يمكن أن تختلف أسعار المساكن في مناطق مختلفة بشكل كبير بسبب الاختلافات في البيئة المجتمعية والمناطق المدرسية والمرافق التجارية الداعمة وعوامل أخرى.وهذا هو "التباين المكاني" الذي يتم ذكره غالبًا في أبحاث المعلومات الجغرافية.إن التقاط الخصوصية المكانية لأسعار المساكن أمر بالغ الأهمية للتنبؤ باتجاهاتها المتغيرة.
وفي ضوء ذلك،قام باحثون من مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ ببناء نموذج osp-GNNWR.يتم دمج مقياس القرب المكاني (OSP) مع طريقة الانحدار المرجح للشبكة العصبية الجغرافية، ويتم تقديم طريقة الشبكة العصبية بشكل مبتكر لتحسين دقة النموذج في التنبؤ بأسعار المساكن.
تشرفت شركة HyperAI بدعوة المؤلف الأول للورقة البحثية، دينج جيالي، طالب الدكتوراه في الاستشعار عن بعد وأنظمة المعلومات الجغرافية في جامعة تشجيانغ،في يوم 17 يوليو الساعة 19:00، في شكل بث مباشر عبر الإنترنت،تقديم أفكار التصميم وسيناريوهات تطبيق النموذج، ومشاركة المزيد من طريقة تحليل الانحدار المكاني للانحدار المرجح جغرافيًا.
انقر هنا لجدولة البث المباشر:
مقدمة الضيف
شارك الموضوع:
الشبكة العصبية تقدم تفسيرًا جديدًا للتباين المكاني لأسعار المساكن
محتويات:
من أجل تحديد عدم الثبات المكاني لعلاقة الانحدار بين العناصر الجغرافية في مواقع مكانية مختلفة، فإن نماذج الانحدار المكاني مثل الانحدار المرجح جغرافيًا (GWR) تعطي أوزانًا أعلى للعينات الأقرب مكانيًا إلى بعضها البعض لإنشاء علاقات انحدار محلية بناءً على القانون الأول للجغرافيا. ومع ذلك، في المشاهد الحضرية المعقدة، لا يمكن للمسافة المستقيمة البسيطة أن تعكس القرب المكاني الحقيقي بشكل كامل.
نحن نستخدم نموذج شبكة عصبية بسيط لتحسين التعبير عن القرب المكاني مع الاحتفاظ بالقدرة على التفسير المكاني لنتائج الانحدار، وبالتالي تحقيق دقة نمذجة أعلى.
بالإضافة إلى ذلك، قمنا أيضًا بتوفير مكتبة مفتوحة المصدر لنموذج الانحدار الذكي المكاني الزمني، والتي تحتوي على الكود المصدر لنماذج GNNWR وGTNNWR ونماذج مشتقة أخرى، وملاحظات تعليمية حول استخدام النموذج، وعجلات Python المنشورة.
عنوان المشروع:
https://github.com/zjuwss/gnnwr
من خلال مشاهدة هذه الجلسة التشاركية، سوف تتعلم:
1. أن يكون لديك فهم معين لطريقة تحليل الانحدار المكاني التقليدية الخاصة بـ GWR
2. فهم أفكار التصميم ووظائف نموذج osp-GNNWR
3. يمكنك الحصول على فكرة جديدة لتحليل أسعار المنازل
مختبر تشجيانغ الإقليمي الرئيسي لنظم المعلومات البيئية والموارد
تمت الموافقة على إنشاء مختبر تشجيانغ الإقليمي الرئيسي لمعلومات الموارد والبيئة في نوفمبر 1993 وتم افتتاحه في أبريل 1995. ويركز بشكل أساسي على مجالات التكنولوجيا الفائقة الوطنية مثل أنظمة المعلومات الأرضية والجغرافية الرقمية والاستشعار عن بعد وتقنيات نظام تحديد المواقع العالمي. ويضم المختبر برامج البكالوريوس في علوم المعلومات الجغرافية، وبرامج الماجستير والدكتوراه في الاستشعار عن بعد ونظم المعلومات الجغرافية.
ويقوم المختبر بإجراء الأبحاث على ثلاثة مستويات: الأساليب النظرية الأساسية، والتقنيات الأساسية الرئيسية، وتطبيقات الهندسة الرئيسية.
تركز الأبحاث الأساسية الرئيسية على النظريات الأساسية والأساليب الأصلية للبيانات الضخمة لنظام الأرض، وعمليات التغيير البيئي السطحي، والارتباط بين الإنسان والأرض. * تركز أبحاث التكنولوجيا الأساسية على الاتجاهات المتطورة مثل إدارة تخزين البيانات الضخمة المكانية الزمنية، ونظم المعلومات الجغرافية عالية الأداء، وتصور نظم المعلومات الجغرافية ثلاثية الأبعاد، والتحليل العميق والتعدين في نظم المعلومات الجغرافية الذكية، لتحسين كفاءة التطبيق وقيمة البيانات المكانية الزمنية فائقة الضخامة وعالية الدقة والمعقدة للغاية، وحل مشاكل "عنق الزجاجة" الحالية في مجال المعلومات الجغرافية والاستشعار عن بعد.
تركز أبحاث تطبيقات الهندسة الرئيسية على الموارد الطبيعية والمحيطات والمسح والخرائط والزراعة والغابات والنقل وحماية البيئة والوقاية من الكوارث والتخفيف من آثارها وما إلى ذلك، وتقوم بتطوير البرمجيات وتحويل النتائج استجابة للاستراتيجيات الوطنية الرئيسية واحتياجات التطبيق الاجتماعي، بهدف حل احتياجات التطبيق العملي.
تعرف على سلسلة AI4S المباشرة
HyperAI (hyper.ai) هو محرك بحث أكبر في الصين في مجال علوم البيانات. يركز على أحدث نتائج الأبحاث العلمية المتعلقة بالذكاء الاصطناعي في العلوم ويتتبع الأوراق الأكاديمية في المجلات العلمية المرموقة مثل Nature وScience في الوقت الفعلي. حتى الآن، تم الانتهاء من تفسير أكثر من 100 ورقة بحثية حول الذكاء الاصطناعي للعلوم.
بالإضافة إلى ذلك، فإننا ندير أيضًا مشروع الذكاء الاصطناعي للعلوم مفتوح المصدر الوحيد في الصين، awesome-ai4s.
عنوان المشروع:
https://github.com/hyperai/awesome-ai4s
ومن أجل تعزيز تعميم الذكاء الاصطناعي من أجل الاستدامة بشكل أكبر، سيتم تقليص حواجز النشر لنتائج البحث العلمي للمؤسسات الأكاديمية ومشاركتها مع مجموعة أوسع من علماء الصناعة وعشاق التكنولوجيا والوحدات الصناعية.خططت شركة HyperAI لعمود الفيديو "Meet AI4S"، حيث دعت الباحثين أو الوحدات ذات الصلة الذين يعملون بشكل عميق في مجال الذكاء الاصطناعي للعلوم لمشاركة نتائج أبحاثهم وأساليبهم وأفكارهم في شكل مقاطع فيديو.سنناقش معًا الفرص والتحديات التي تواجه الذكاء الاصطناعي في العلوم في التقدم في البحث العلمي وتنفيذه، وتعزيز نشر الذكاء الاصطناعي في العلوم.