Lernen Sie Die Live-Vorschau Von AI4S Kennen | Neue Ideen Für Die Immobilienpreisanalyse: Neuronale Netze Berücksichtigen Direkt Die Räumliche Heterogenität in Komplexen Geografischen Umgebungen
In den letzten Jahren hat der Immobilienmarkt Höhen und Tiefen erlebt und die Immobilienpreise sind zu einem wichtigen Faktor geworden, der das Zufriedenheitsgefühl der Bewohner beeinflusst. Die meisten Familien stehen vor der schwierigen Entscheidung, ob sie ein Haus kaufen, wann sie ein Haus kaufen, wo sie ein Haus kaufen und welches Haus sie kaufen. Die Antwort auf jede Frage hängt in gewissem Maße eng mit der Schwankung der Immobilienpreise zusammen.
In den letzten Jahren ist die Differenzierung der Immobilienpreise zwischen den Städten meines Landes immer deutlicher geworden. Sogar innerhalb desselben Verwaltungsbezirks einer Stadt können die Immobilienpreise in verschiedenen Gegenden aufgrund unterschiedlicher Wohnverhältnisse, Schulbezirke, unterstützender Gewerbeeinrichtungen und anderer Faktoren stark voneinander abweichen.Dies ist die „räumliche Heterogenität“, von der in der geografischen Informationsforschung oft gesprochen wird.Die Erfassung der räumlichen Besonderheiten der Immobilienpreise ist für die Vorhersage ihrer veränderten Trends von entscheidender Bedeutung.
In Anbetracht dessenForscher des GIS-Labors der Zhejiang-Universität haben das osp-GNNWR-Modell erstellt.Das räumliche Nähemaß (OSP) wird mit der gewichteten Regressionsmethode des geografischen neuronalen Netzwerks kombiniert und die Methode des neuronalen Netzwerks wird innovativ eingeführt, um die Genauigkeit des Modells bei der Vorhersage von Immobilienpreisen zu verbessern.
HyperAI hat das Glück, den Erstautor des Papiers, Ding Jiale, einen Doktoranden für Fernerkundung und Geographische Informationssysteme an der Zhejiang-Universität, eingeladen zu haben.Am 17. Juli um 19:00 Uhr, in Form einer Online-Live-Übertragung,Stellen Sie die Designideen und Anwendungsszenarien des Modells vor und erläutern Sie außerdem die Methode der räumlichen Regressionsanalyse der geografisch gewichteten Regression.
Klicken Sie hier, um eine Live-Übertragung zu planen:
Gastvorstellung
Thema teilen:
Neuronales Netzwerk liefert neue Erklärung für räumliche Heterogenität der Immobilienpreise
Inhalt:
Um die räumliche Nichtstationarität der Regressionsbeziehung zwischen geografischen Elementen an unterschiedlichen räumlichen Standorten zu charakterisieren, gewichten räumliche Regressionsmodelle wie die Geographisch gewichtete Regression (GWR) Stichproben, die räumlich näher beieinander liegen, stärker, um lokale Regressionsbeziehungen auf Grundlage des ersten Hauptsatzes der Geographie herzustellen. In komplexen städtischen Szenen kann die einfache Luftlinienentfernung jedoch nicht die tatsächliche räumliche Nähe vollständig widerspiegeln.
Wir verwenden ein einfaches neuronales Netzwerkmodell, um den Ausdruck der räumlichen Nähe zu optimieren und gleichzeitig die räumliche Interpretierbarkeit der Regressionsergebnisse beizubehalten, wodurch eine höhere Modellierungsgenauigkeit erreicht wird.
Darüber hinaus haben wir auch eine Bibliothek für intelligente räumlich-zeitliche Regressionsmodelle als Open Source bereitgestellt, die den Quellcode der Modelle GNNWR, GTNNWR und anderer abgeleiteter Modelle, Tutorial-Hinweise zur Modellverwendung sowie veröffentlichte Python-Wheels enthält.
Projektadresse:
https://github.com/zjuwss/gnnwr
Durch das Ansehen dieser Sharing-Sitzung erfahren Sie:
1. Verfügen Sie über ein gewisses Verständnis der traditionellen räumlichen Regressionsanalysemethode von GWR
2. Verstehen Sie die Designideen und Funktionen des osp-GNNWR-Modells
3. Sie können eine neue Idee für die Hauspreisanalyse gewinnen
Zentrallabor für Ressourcen- und Umweltinformationssysteme der Provinz Zhejiang
Die Gründung des Schlüssellabors für Ressourcen- und Umweltinformationssysteme der Provinz Zhejiang wurde im November 1993 genehmigt und im April 1995 eröffnet. Der Schwerpunkt liegt auf nationalen Hochtechnologiefeldern wie digitalen Erd- und geografischen Informationssystemen, Fernerkundung und GPS-Technologien. Das Labor bietet Bachelorstudiengänge in Geographischer Informationswissenschaft sowie Master- und Doktorandenprogramme in Fernerkundung und Geographischen Informationssystemen an.
Das Labor führt Forschung auf drei Ebenen durch: grundlegende theoretische Methoden, zentrale Schlüsseltechnologien und wichtige technische Anwendungen.
Der Schwerpunkt der Grundlagenforschung liegt auf den grundlegenden Theorien und ursprünglichen Methoden der Big Data des Erdsystems, den Veränderungsprozessen der Oberflächenumwelt und der Mensch-Erde-Kopplung. * Die Forschung zu zentralen Schlüsseltechnologien konzentriert sich auf hochmoderne Bereiche wie räumlich-zeitliches Big-Data-Speichermanagement, Hochleistungs-GIS, dreidimensionale GIS-Visualisierung sowie intelligente GIS-Tiefenanalyse und -Mining, um die Anwendungseffizienz und den Wert ultramassiver, hochpräziser und hochkomplexer räumlich-zeitlicher Daten zu verbessern und die aktuellen Engpassprobleme im Bereich der geografischen Informationen und Fernerkundung zu lösen.
Die wichtigsten ingenieurwissenschaftlichen Anwendungsforschungen konzentrieren sich auf natürliche Ressourcen, Meere, Vermessung und Kartierung, Landwirtschaft, Forstwirtschaft, Transport, Umweltschutz, Katastrophenvorsorge und -minderung usw. und führen Softwareentwicklungen und Ergebnistransformationen als Reaktion auf wichtige nationale Strategien und gesellschaftliche Anwendungsbedürfnisse durch, mit dem Ziel, praktische Anwendungsbedürfnisse zu lösen.
Lernen Sie die AI4S Live-Serie kennen
HyperAI (hyper.ai) ist Chinas größte Suchmaschine im Bereich Datenwissenschaft. Es konzentriert sich auf die neuesten wissenschaftlichen Forschungsergebnisse von AI for Science und verfolgt wissenschaftliche Arbeiten in Top-Zeitschriften wie Nature und Science in Echtzeit. Bisher wurde die Interpretation von über 100 AI for Science-Artikeln abgeschlossen.
Darüber hinaus betreiben wir auch das einzige Open-Source-Projekt „KI für die Wissenschaft“ in China, awesome-ai4s.
Projektadresse:
https://github.com/hyperai/awesome-ai4s
Um die Universalisierung von AI4S weiter voranzutreiben, werden die Verbreitungsbarrieren für die wissenschaftlichen Forschungsergebnisse akademischer Einrichtungen weiter gesenkt und diese mit einem größeren Kreis von Branchenwissenschaftlern, Technologiebegeisterten und Industrieeinheiten geteilt.HyperAI hat die Videokolumne „Meet AI4S“ geplant und lädt Forscher oder verwandte Einheiten ein, die sich intensiv mit dem Bereich KI für die Wissenschaft beschäftigen, ihre Forschungsergebnisse, Methoden und Ideen in Form von Videos zu teilen.Gemeinsam werden wir die Chancen und Herausforderungen diskutieren, denen sich KI für die Wissenschaft im Hinblick auf den Fortschritt und die Umsetzung wissenschaftlicher Forschung gegenübersieht, und die Popularisierung und Verbreitung von KI für die Wissenschaft fördern.