تعرف على العد التنازلي المباشر لـ AI4S! مشاركة إنجازات مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ: الشبكات العصبية تقدم تفسيرات جديدة للتباين المكاني لأسعار المساكن
في يوليو 2023، تم إصدار "تقرير بحثي حول خريطة الابتكار العلمي للذكاء الاصطناعي في الصين" رسميًا، والذي أعده المعهد الصيني للمعلومات العلمية والتكنولوجية ومركز أبحاث تطوير الذكاء الاصطناعي للجيل القادم التابع لوزارة العلوم والتكنولوجيا والمؤسسات البحثية ذات الصلة. وأظهرت البيانات أنبلدي لديه أكبر عدد من الأوراق البحثية المنشورة في مجال الذكاء الاصطناعي للعلوم، ويعمل بنشاط على تعزيز تطوير الذكاء الاصطناعي للعلوم في جميع أنحاء العالم.
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.تخطط شركة HyperAI لتنظيم سلسلة "Meet AI4S" من البث المباشر، حيث تدعو الباحثين أو الوحدات ذات الصلة الذين يعملون بشكل عميق في مجال الذكاء الاصطناعي للعلوم لمشاركة نتائج أبحاثهم وأساليبهم في شكل مقاطع فيديو.
ستُطلق الحلقة الأولى من سلسلة "لقاء مع الذكاء الاصطناعي من أجل الاستدامة" رسميًا الساعة السابعة مساءً يوم 17 يوليو. ويشرفنا دعوة دينغ جيالي، طالب الدكتوراه في الاستشعار عن بُعد ونظم المعلومات الجغرافية بجامعة تشجيانغ، لإلقاء محاضرة بعنوان "الشبكات العصبية تُقدم تفسيرات جديدة للتباين المكاني في أسعار المساكن".يتم تقديم أفكار التصميم وسيناريوهات تطبيق النموذج بطريقة سهلة الفهم، كما تتم مشاركة طريقة تحليل الانحدار المكاني للانحدار المرجح جغرافيًا بشكل أكبر.
انقر هنا لجدولة البث المباشر:https://www.huodongxing.com/event/2762111401922
مقدمة الضيف
مقدمة
من أجل تحديد عدم الثبات المكاني لعلاقة الانحدار بين العناصر الجغرافية في مواقع مكانية مختلفة، فإن نماذج الانحدار المكاني مثل الانحدار المرجح جغرافيًا تعطي أوزانًا أعلى للعينات المجاورة مكانيًا لبعضها 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
حصاد البث المباشر
1. التحدث مع أعضاء البحث الأساسيين في الفريق للحصول على فهم متعمق لأفكار تصميم نموذج osp-GNNWR الخاص بالفريق ومنطق التشغيل ودوره في التنبؤ بأسعار المساكن.
2. الحصول على فهم أعمق لاستخدامات وعيوب طريقة نمذجة عدم الاستقرار المكاني التقليدية - الانحدار الموزون جغرافيًا (GWR).
3. التقدم من مستوى المبتدئين في تحليل أسعار المساكن، وفهم المنطق الأساسي للنموذج في التنبؤ بأسعار المساكن، واكتساب أفكار جديدة لتحليل أسعار المساكن.
مراجعة الورقة
تم نشر نموذج osp-GNNWR الذي أصدره الفريق في المجلة الدولية لعلوم المعلومات الجغرافية، وهي مجلة معروفة في مجال علوم المعلومات الجغرافية، تحت عنوان "نموذج الشبكة العصبية لتحسين مقياس القرب المكاني في نهج الانحدار المرجح جغرافيًا: دراسة حالة حول أسعار المساكن في ووهان".
عنوان الورقة:
https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771
أبرز ما جاء في البحث
* من خلال تقديم مقياس القرب المكاني الأمثل ودمجه في بنية الشبكة العصبية، يتم تحسين إمكانية تطبيق الانحدار المرجح جغرافيًا في دراسة التوزيع المكاني للعمليات الجغرافية مثل أسعار المساكن بشكل فعال
* من خلال دراسة مجموعات البيانات المحاكاة والحالات التجريبية لأسعار المساكن في ووهان، ثبت أن النموذج المقترح في الورقة يتمتع بأداء عالمي أفضل ويمكنه وصف العمليات المكانية المعقدة والظواهر الجغرافية بدقة أكبر.
* يفتح آفاقًا جديدة لدراسة كيفية تخصيص مقاييس القرب المكاني لتحسين أداء نماذج الانحدار الجغرافي المكاني المختلفة
اكتساب مجموعة البيانات
استخدم فريق البحث مجموعة بيانات محاكاة غير متجانسة مكانيًا ومجموعة بيانات فعلية تحتوي على 968 حالة تجريبية لأسعار المساكن المختلفة في ووهان، مما ضمن إلى حد كبير جودة البيانات.
بناء نموذج osp-GNNWR
ينقسم بناء نموذج osp-GNNWR إلى خطوتين: الخطوة الأولى هي الحصول على مقياس القرب المكاني الأمثل (OSP)؛ الخطوة الثانية هي الجمع بشكل أكبر بين OSP و GNNWR لإنشاء نموذج osp-GNNWR في النهاية.
أولاً، من أجل الحصول على قياسات قرب مكانية أكثر دقة في التحليل الجغرافي المعقد، قام فريق البحث بدمج طرق قياس المسافة المتعددة بما في ذلك المسافة الإقليدية، ومسافة مانهاتن، ووقت السفر لتحسين القرب المكاني (OSP).
وبعد ذلك، قام الباحثون بدمج OSP مع GNNWR وأخيرًا قاموا ببناء نموذج osp-GNNWR. يجمع نموذج GNNWR بين المربعات الصغرى العادية (OLS) والشبكات العصبية لتقدير عدم الثبات المكاني بناءً على مفهوم مشابه للانحدار المرجح جغرافيًا (GWR)، وهو مناسب لحل مشاكل عدم الثبات المكاني في مختلف المجالات ذات العمليات الجغرافية المعقدة.
لذلك، فإن نموذج osp-GNNWR الذي تم بناؤه أخيرًا يتمتع بمزايا محتملة في تصوير التباين المكاني للعمليات الجغرافية في العالم الحقيقي. وببساطة، فإن هذا النموذج سوف يعمل على تحسين دقة التنبؤات بأسعار المساكن، ويساعد في إدارة وبناء بيئة العقارات، وتحسين مؤشر سعادة الناس في السكن.
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 أعمال بحثية على ثلاثة مستويات: الأساليب النظرية الأساسية، والتقنيات الأساسية الرئيسية، وتطبيقات الهندسة الرئيسية. تركز الأبحاث الأساسية الرئيسية على النظريات الأساسية والأساليب الأصلية لبيانات نظام الأرض الضخمة، وعمليات تغيير البيئة السطحية، وارتباط الإنسان بالأرض. تم إجراء أبحاث التكنولوجيا الأساسية حول اتجاهات متطورة مثل تخزين وإدارة البيانات الضخمة المكانية الزمنية، ونظم المعلومات الجغرافية عالية الأداء، وتصور نظم المعلومات الجغرافية ثلاثية الأبعاد، والتحليل العميق والتعدين لنظم المعلومات الجغرافية الذكية. وقد تم استخدامه لتحسين كفاءة التطبيق وقيمة البيانات المكانية الزمنية فائقة الضخامة وعالية الدقة والمعقدة للغاية، ولحل مشاكل "الاختناق" الحالية في مجال المعلومات الجغرافية والاستشعار عن بعد. تم إجراء أبحاث تطبيقات الهندسة الرئيسية حول الموارد الطبيعية والمحيطات والمسح والخرائط والزراعة والغابات والنقل وحماية البيئة والوقاية من الكوارث والتخفيف من آثارها وغيرها من المجالات، وتم تنفيذ تطوير البرمجيات وتحويل النتائج 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
من أجل تعزيز نشر AI4S بشكل أكبر، وتقليل حواجز نشر نتائج البحث العلمي للمؤسسات الأكاديمية، ومشاركتها مع مجموعة أوسع من علماء الصناعة وعشاق التكنولوجيا والوحدات الصناعية، خططت HyperAI لعمود الفيديو "Meet AI4S"، بدعوة الباحثين أو الوحدات ذات الصلة الذين يشاركون بعمق في مجال الذكاء الاصطناعي للعلوم لمشاركة نتائج أبحاثهم وطرقهم في شكل مقاطع فيديو، ومناقشة الفرص والتحديات التي تواجه الذكاء الاصطناعي للعلوم في عملية التقدم في البحث العلمي والترويج له وتنفيذه، وذلك لتعزيز نشر الذكاء الاصطناعي للعلوم ونشره.
انقر هنا لجدولة البث المباشر:https://www.huodongxing.com/event/2762111401922