Découvrez L'aperçu En Direct D'ai4s | Nouvelles Idées Pour L'analyse Des Prix De L'immobilier : Les Réseaux Neuronaux Abordent Directement L'hétérogénéité Spatiale Dans Des Environnements Géographiques Complexes
Ces dernières années, le marché immobilier a connu des hauts et des bas, et les prix des logements sont devenus un facteur important influençant le sentiment de bonheur des résidents. La plupart des familles doivent faire face à la décision difficile de « savoir s’il faut acheter une maison, quand acheter une maison, où acheter une maison et quelle maison acheter ». La réponse à chaque question est étroitement liée, dans une certaine mesure, à la fluctuation des prix de l’immobilier.
Ces dernières années, la différenciation des prix des logements entre les villes de mon pays est devenue de plus en plus marquée. Même au sein d’une même juridiction d’une même ville, les prix des logements dans différentes zones peuvent varier considérablement en raison des différences d’environnement communautaire, de districts scolaires, d’installations commerciales de soutien et d’autres facteurs.Il s’agit de « l’hétérogénéité spatiale » souvent évoquée dans la recherche en information géographique.Il est essentiel de saisir la spécificité spatiale des prix de l’immobilier pour prédire leurs tendances changeantes.
Compte tenu de cela,Des chercheurs du laboratoire SIG de l'Université du Zhejiang ont construit le modèle osp-GNNWR.La mesure de proximité spatiale (OSP) est combinée à la méthode de régression pondérée du réseau neuronal géographique, et la méthode du réseau neuronal est introduite de manière innovante pour améliorer la précision du modèle dans la prédiction des prix des logements.
HyperAI a la chance d'avoir invité le premier auteur de l'article, Ding Jiale, doctorant en télédétection et systèmes d'information géographique à l'Université du Zhejiang,Le 17 juillet à 19h00, sous forme de diffusion en direct en ligne,Présentez les idées de conception et les scénarios d’application du modèle, et partagez davantage la méthode d’analyse de régression spatiale de la régression pondérée géographiquement.
Cliquez pour programmer une diffusion en direct :
Présentation de l'invité
Partager le sujet:
Un réseau neuronal fournit une nouvelle explication à l'hétérogénéité spatiale des prix de l'immobilier
Contenu:
Afin de caractériser la non-stationnarité spatiale de la relation de régression entre les éléments géographiques à différents emplacements spatiaux, les modèles de régression spatiale tels que la régression pondérée géographiquement (GWR) donnent des poids plus élevés aux échantillons qui sont spatialement plus proches les uns des autres pour établir des relations de régression locales basées sur la première loi de la géographie. Cependant, dans les scènes urbaines complexes, la simple distance en ligne droite ne peut pas refléter pleinement la véritable proximité spatiale.
Nous utilisons un modèle de réseau neuronal simple pour optimiser l’expression de la proximité spatiale tout en conservant l’interprétabilité spatiale des résultats de régression, obtenant ainsi une précision de modélisation plus élevée.
De plus, nous avons également ouvert le code source d'une bibliothèque de modèles de régression intelligents spatio-temporels, qui contient le code source des modèles GNNWR, GTNNWR et d'autres modèles dérivés, des notes de didacticiel sur l'utilisation des modèles et des roues Python publiées.
Adresse du projet :
https://github.com/zjuwss/gnnwr
En regardant cette séance de partage, vous apprendrez :
1. Avoir une certaine compréhension de la méthode traditionnelle d'analyse de régression spatiale de GWR
2. Comprendre les idées de conception et les fonctions du modèle osp-GNNWR
3. Vous pouvez acquérir une nouvelle idée pour l'analyse des prix de l'immobilier
Laboratoire clé provincial du Zhejiang des ressources et des systèmes d'information environnementale
Le Laboratoire clé provincial du Zhejiang des ressources et des systèmes d'information environnementale a été approuvé pour sa création en novembre 1993 et a ouvert ses portes en avril 1995. Il est principalement axé sur les domaines nationaux de haute technologie tels que les systèmes d'information terrestre et géographique numérique, la télédétection et les technologies du système de positionnement global. Le laboratoire propose des programmes de premier cycle en sciences de l'information géographique, ainsi que des programmes de maîtrise et de doctorat en télédétection et en systèmes d'information géographique.
Le laboratoire mène des recherches à trois niveaux : méthodes théoriques de base, technologies clés de base et applications majeures en ingénierie.
Les principales recherches fondamentales se concentrent sur les théories fondamentales et les méthodes originales des mégadonnées du système terrestre, les processus de changement environnemental de surface et le couplage homme-Terre. * La recherche sur les technologies clés de base se concentre sur des orientations de pointe telles que la gestion du stockage de données volumineuses spatio-temporelles, les SIG hautes performances, la visualisation SIG tridimensionnelle et l'analyse et l'exploration approfondies SIG intelligentes, afin d'améliorer l'efficacité et la valeur des applications de données spatio-temporelles ultra-massives, de haute précision et très complexes, et de résoudre les problèmes actuels de « goulot d'étranglement » dans le domaine de l'information géographique et de la télédétection.
Les principales recherches d'application en ingénierie se concentrent sur les ressources naturelles, l'océan, l'arpentage et la cartographie, l'agriculture, la foresterie, les transports, la protection de l'environnement, la prévention et l'atténuation des catastrophes, etc., et réalisent le développement de logiciels et la transformation des résultats en réponse aux principales stratégies nationales et aux besoins d'application sociale, visant à résoudre les besoins d'application pratique.
Découvrez la série AI4S Live
HyperAI (hyper.ai) est le plus grand moteur de recherche de Chine dans le domaine de la science des données. Il se concentre sur les derniers résultats de recherche scientifique de l'IA pour la science et suit en temps réel les articles universitaires dans les meilleures revues telles que Nature et Science. Jusqu’à présent, il a achevé l’interprétation de plus de 100 articles sur l’IA pour la science.
De plus, nous exploitons également le seul projet open source d'IA pour la science en Chine, awesome-ai4s.
Adresse du projet :
https://github.com/hyperai/awesome-ai4s
Afin de promouvoir davantage l’universalisation de l’IA pour les services, les résultats de la recherche scientifique des institutions universitaires seront encore réduits dans les barrières de diffusion et partagés avec un plus large éventail de chercheurs de l’industrie, de passionnés de technologie et d’unités industrielles.HyperAI a planifié la chronique vidéo « Meet AI4S », invitant les chercheurs ou les unités connexes profondément engagés dans le domaine de l'IA pour la science à partager leurs résultats de recherche, leurs méthodes et leurs idées sous forme de vidéos.Ensemble, nous discuterons des opportunités et des défis auxquels l’IA pour la science est confrontée dans le progrès et la mise en œuvre de la recherche scientifique, et nous favoriserons la vulgarisation et la diffusion de l’IA pour la science.