Ensemble De Données D'index Géographique PDFM
Date
Taille
Organisation
URL de publication
Catégories
Cet ensemble de données est constitué de données réelles publiées par Google Research en 2024 pour évaluer les intégrations basées sur la dynamique de population. Il contient de riches informations récapitulatives sur le comportement humain capturées à partir de cartes, de résumés de tendances de recherche et de facteurs environnementaux tels que la météo et la qualité de l'air. Les résultats pertinents de l'article sontInférence géospatiale générale avec un modèle de base de dynamique de population".
L'ensemble de données contient 3 fichiers :
- conus27 (Interpolation, Super-Résolution et Extrapolation) : Le fichier conus27 est un ensemble de données polyvalent qui prend en charge les tâches impliquant l'interpolation (remplissage des lacunes), la super-résolution (réalisation de prédictions à des échelles spatiales plus fines) et l'extrapolation (projection de données sur de grandes zones manquantes). Le fichier comprend des informations détaillées sur la géolocalisation (emplacement, comté, état, latitude, longitude) et des indicateurs clés de santé de la population, ainsi que des caractéristiques géographiques telles que la couverture arborée, l'altitude et les lumières nocturnes.
- Prédiction : La capacité du modèle à prédire le temps est démontrée à l’aide de deux ensembles de données :
- county_unemployment.csv : contient des données sur le chômage au niveau du comté de 1990 à 2024, permettant aux utilisateurs de suivre les tendances de l'emploi au fil du temps.
- zcta_poverty.csv : Ce fichier fournit des estimations annuelles de la pauvreté au niveau de la zone de tabulation du code postal (ZCTA) de 2011 à 2022, offrant un aperçu des changements économiques et sociaux à une échelle spatiale plus fine.
L'équipe de recherche de Google a utilisé des réseaux neuronaux graphiques pour modéliser les relations complexes entre ces données et ces emplacements, et a combiné le modèle PDFM avec le modèle de base de prévision le plus avancé TimesFM pour prédire les taux de chômage et de pauvreté, obtenant ainsi des performances supérieures.