Lernen Sie Den Live-Countdown Von AI4S Kennen! Austausch Von Erkenntnissen Aus Dem GIS-Labor Der Zhejiang-Universität: Neuronale Netzwerke Liefern Neue Erklärungen Für Die Räumliche Heterogenität Der Immobilienpreise
Im Juli 2023 wurde der „China AI for Science Innovation Map Research Report“, der vom Chinesischen Institut für wissenschaftliche und technologische Informationen, dem Forschungszentrum für die Entwicklung künstlicher Intelligenz der nächsten Generation des Ministeriums für Wissenschaft und Technologie und relevanten Forschungseinrichtungen zusammengestellt wurde, offiziell veröffentlicht. Die Daten zeigten, dassIn meinem Land wurde die höchste Anzahl an Artikeln zum Thema „KI für die Wissenschaft“ veröffentlicht, und es fördert aktiv die Entwicklung von KI für die Wissenschaft auf der ganzen Welt.
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 Live-Übertragungsreihe „Meet AI4S“ geplant und lädt Forscher oder verwandte Einheiten ein, die sich intensiv mit dem Bereich KI für die Wissenschaft beschäftigen, ihre Forschungsergebnisse und -methoden in Form von Videos zu teilen.
Die erste Folge der Reihe „Meet AI4S“ wird am 17. Juli um 19:00 Uhr offiziell gestartet. Wir freuen uns, Ding Jiale, einen Doktoranden für Fernerkundung und geografische Informationssysteme an der Zhejiang-Universität, einladen zu dürfen, der eine Rede mit dem Titel „Neuronale Netzwerke liefern neue Erklärungen für die räumliche Heterogenität von Immobilienpreisen“ halten wird.Die Designideen und Anwendungsszenarien des Modells werden auf leicht verständliche Weise vorgestellt und die Methode der räumlichen Regressionsanalyse der geografisch gewichteten Regression wird weiter erläutert.
Klicken Sie hier, um eine Live-Übertragung zu planen:https://www.huodongxing.com/event/2762111401922
Gastvorstellung
Einführung
Um die räumliche Nichtstationarität der Regressionsbeziehung zwischen geografischen Elementen an unterschiedlichen räumlichen Standorten zu charakterisieren, gewichten räumliche Regressionsmodelle wie die geografisch gewichtete Regression Stichproben höher, die räumlich näher beieinander liegen, um lokale Regressionsbeziehungen auf der 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
Live-Übertragung Ernte
1. Sprechen Sie mit den wichtigsten Forschungsmitgliedern des Teams, um ein umfassendes Verständnis der Designideen des osp-GNNWR-Modells des Teams und seiner Betriebslogik und Rolle bei der Hauspreisvorhersage zu erlangen.
2. Erlangen Sie ein tieferes Verständnis für die Verwendung und die Mängel der traditionellen Methode zur Modellierung räumlicher Instabilität – der geographisch gewichteten Regression (GWR).
3. Machen Sie Fortschritte als Anfänger in der Immobilienpreisanalyse, verstehen Sie die zugrunde liegende Logik des Modells bei der Vorhersage von Immobilienpreisen und gewinnen Sie neue Ideen für die Immobilienpreisanalyse.
Überprüfung der Arbeit
Das vom Team veröffentlichte osp-GNNWR-Modell wurde im International Journal of Geographical Information Science, einer renommierten Zeitschrift auf dem Gebiet der geografischen Informationswissenschaft, unter dem Titel „Ein neuronales Netzwerkmodell zur Optimierung der Messung der räumlichen Nähe im geografisch gewichteten Regressionsansatz: eine Fallstudie zu den Hauspreisen in Wuhan“ veröffentlicht.
Papieradresse:
https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771
Forschungshighlights
* Durch die Einführung einer optimierten räumlichen Nähemetrik und deren Integration in die neuronale Netzwerkarchitektur wird die Anwendbarkeit der geografisch gewichteten Regression bei der Untersuchung der räumlichen Verteilung geografischer Prozesse wie Immobilienpreise effektiv verbessert
* Durch die Untersuchung simulierter Datensätze und empirischer Fälle von Immobilienpreisen in Wuhan wird nachgewiesen, dass das im Papier vorgeschlagene Modell eine bessere globale Leistung aufweist und komplexe räumliche Prozesse und geografische Phänomene genauer beschreiben kann.
* Eröffnet neue Wege für die Untersuchung der Anpassung räumlicher Nähemetriken zur Verbesserung der Leistung verschiedener georäumlicher Regressionsmodelle
Datensatzerfassung
Das Forschungsteam verwendete einen räumlich heterogenen Simulationsdatensatz und einen tatsächlichen Datensatz mit 968 empirischen Fällen unterschiedlicher Immobilienpreise in Wuhan, was die Qualität der Daten in hohem Maße sicherstellte.
Konstruktion des osp-GNNWR-Modells
Die Konstruktion des osp-GNNWR-Modells ist in zwei Schritte unterteilt: Der erste Schritt besteht darin, das optimierte räumliche Nähemaß (OSP) zu erhalten; Der zweite Schritt besteht darin, OSP weiter mit GNNWR zu kombinieren, um schließlich das osp-GNNWR-Modell zu erstellen.
Um zunächst genauere Messungen der räumlichen Nähe bei komplexen geografischen Analysen zu erhalten, integrierte das Forschungsteam mehrere Entfernungsmessverfahren, darunter die euklidische Distanz, die Manhattan-Distanz und die Reisezeit, um die räumliche Nähe (OSP) zu optimieren.
Anschließend kombinierten die Forscher OSP weiter mit GNNWR und konstruierten schließlich das osp-GNNWR-Modell. Das GNNWR-Modell kombiniert die Methode der kleinsten Quadrate (OLS) und neuronale Netzwerke, um die räumliche Nichtstationarität basierend auf einem Konzept zu schätzen, das der geografisch gewichteten Regression (GWR) ähnelt, und eignet sich zur Lösung räumlicher Nichtstationaritätsprobleme in verschiedenen Bereichen mit komplexen geografischen Prozessen.
Daher verfügt das schließlich erstellte osp-GNNWR-Modell über potenzielle Vorteile bei der Darstellung der räumlichen Heterogenität realer geografischer Prozesse. Einfach ausgedrückt wird dieses Modell die Genauigkeit von Immobilienpreisprognosen verbessern, bei der Verwaltung und Gestaltung des Immobilienumfelds helfen und den Wohnzufriedenheitsindex der Menschen verbessern.
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 Forschungsarbeiten 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-Land-Kopplung. Die Forschung zu den wichtigsten Schlüsseltechnologien konzentrierte sich auf hochmoderne Bereiche wie räumlich-zeitliche Speicherung und Verwaltung großer Datenmengen, leistungsstarke GIS, dreidimensionale GIS-Visualisierung sowie intelligente GIS-Tiefenanalyse und -Mining. Es wurde verwendet, um die Anwendungseffizienz und den Wert ultramassiver, hochpräziser und hochkomplexer raumzeitlicher Daten zu verbessern und die aktuellen Engpassprobleme im Bereich der geografischen Informationen und Fernerkundung zu lösen. Die wichtigsten anwendungsbezogenen Forschungsarbeiten im Ingenieurwesen konzentrierten sich auf die Bereiche natürliche Ressourcen, Meere, Vermessung und Kartierung, Landwirtschaft, Forstwirtschaft, Transport, Umweltschutz, Katastrophenvorsorge und -minderung und andere Bereiche. Außerdem wurden Softwareentwicklungen und Ergebnistransformationen für wichtige nationale Strategien und gesellschaftliche Anwendungsbedürfnisse durchgeführt, um praktische Anwendungsbedürfnisse zu erfüllen.
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 Popularisierung von AI4S weiter voranzutreiben, die Verbreitungsbarrieren für wissenschaftliche Forschungsergebnisse akademischer Einrichtungen weiter abzubauen und diese mit einem größeren Kreis von Branchenwissenschaftlern, Technologiebegeisterten und Industrieeinheiten zu teilen, hat HyperAI die Videokolumne „Meet AI4S“ geplant. Darin werden Forscher oder verwandte Einheiten, die sich intensiv mit dem Bereich KI für die Wissenschaft beschäftigen, eingeladen, ihre Forschungsergebnisse und -methoden in Form von Videos zu teilen und gemeinsam die Chancen und Herausforderungen zu diskutieren, denen sich KI für die Wissenschaft im Prozess des Fortschritts sowie der Förderung und Umsetzung wissenschaftlicher Forschung gegenübersieht, um so die Popularisierung und Verbreitung von KI für die Wissenschaft zu fördern.
Klicken Sie hier, um eine Live-Übertragung zu planen:https://www.huodongxing.com/event/2762111401922