Découvrez Le Compte À Rebours En Direct D'ai4s ! Partage Des Résultats Du Laboratoire SIG De L'université Du Zhejiang : Les Réseaux Neuronaux Fournissent De Nouvelles Explications À L'hétérogénéité Spatiale Des Prix De L'immobilier
En juillet 2023, le « Rapport de recherche sur la carte de l'innovation scientifique en IA en Chine » compilé par l'Institut chinois d'information scientifique et technologique, le Centre de recherche sur le développement de l'intelligence artificielle de nouvelle génération du ministère des Sciences et de la Technologie et les institutions de recherche concernées a été officiellement publié. Les données ont montré queMon pays compte le plus grand nombre d’articles publiés sur l’IA pour la science et promeut activement le développement de l’IA pour la science dans le monde entier.
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 série de diffusions en direct « 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 et leurs méthodes sous forme de vidéos.
Le premier épisode de la série « Meet AI4S » sera officiellement lancé le 17 juillet à 19h00. Nous avons l'honneur d'inviter Ding Jiale, doctorant en télédétection et systèmes d'information géographique à l'Université du Zhejiang, qui prononcera une conférence intitulée « Les réseaux neuronaux fournissent de nouvelles explications à l'hétérogénéité spatiale des prix de l'immobilier ».Les idées de conception et les scénarios d'application du modèle sont présentés de manière simple à comprendre, et la méthode d'analyse de régression spatiale pondérée géographiquement est également partagée.
Cliquez pour programmer une diffusion en direct :https://www.huodongxing.com/event/2762111401922
Présentation de l'invité
Introduction
Afin de caractériser la non-stationnarité spatiale de la relation de régression entre les éléments géographiques dans différents emplacements spatiaux, les modèles de régression spatiale tels que la régression pondérée géographiquement donnent des poids plus élevés aux échantillons qui sont spatialement plus adjacents les uns aux 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
Récolte diffusée en direct
1. Discutez avec les principaux membres de l'équipe de recherche pour acquérir une compréhension approfondie des idées de conception du modèle osp-GNNWR de l'équipe et de sa logique de fonctionnement et de son rôle dans la prévision des prix des logements.
2. Acquérir une compréhension plus approfondie de l’utilisation et des lacunes de la méthode traditionnelle de modélisation de l’instabilité spatiale – la régression pondérée géographiquement (GWR).
3. Passez du statut de novice en matière d’analyse des prix de l’immobilier à celui de spécialiste, comprenez la logique sous-jacente du modèle de prévision des prix de l’immobilier et acquérez de nouvelles idées pour l’analyse des prix de l’immobilier.
Revue de presse
Le modèle osp-GNNWR publié par l'équipe a été publié dans l'International Journal of Geographical Information Science, une revue bien connue dans le domaine des sciences de l'information géographique, sous le titre « Un modèle de réseau neuronal pour optimiser la mesure de la proximité spatiale dans l'approche de régression géographiquement pondérée : une étude de cas sur le prix de l'immobilier à Wuhan ».
Adresse du document :
https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771
Points saillants de la recherche
* En introduisant une métrique de proximité spatiale optimisée et en l'intégrant dans l'architecture du réseau neuronal, l'applicabilité de la régression pondérée géographiquement dans l'étude de la distribution spatiale des processus géographiques tels que les prix des logements est effectivement améliorée
* Grâce à l'étude d'ensembles de données simulées et de cas empiriques de prix de l'immobilier à Wuhan, le modèle proposé dans l'article s'avère avoir de meilleures performances globales et peut décrire plus précisément des processus spatiaux complexes et des phénomènes géographiques.
* Ouvre de nouvelles voies pour étudier comment personnaliser les mesures de proximité spatiale afin d'améliorer les performances de divers modèles de régression géospatiale
Acquisition de jeux de données
L'équipe de recherche a utilisé un ensemble de données de simulation spatialement hétérogènes et un ensemble de données réelles contenant 968 cas empiriques de différents prix de l'immobilier à Wuhan, ce qui a grandement garanti la qualité des données.
Construction du modèle osp-GNNWR
La construction du modèle osp-GNNWR est divisée en deux étapes : la première étape consiste à obtenir la mesure de proximité spatiale optimisée (OSP) ; la deuxième étape consiste à combiner davantage OSP avec GNNWR pour finalement construire le modèle osp-GNNWR.
Premièrement, afin d’obtenir des mesures de proximité spatiale plus précises dans une analyse géographique complexe, l’équipe de recherche a intégré plusieurs méthodes de mesure de distance, notamment la distance euclidienne, la distance de Manhattan et le temps de trajet pour optimiser la proximité spatiale (OSP).
Par la suite, les chercheurs ont combiné l’OSP avec le GNNWR et ont finalement construit le modèle osp-GNNWR. Le modèle GNNWR combine les moindres carrés ordinaires (MCO) et les réseaux neuronaux pour estimer la non-stationnarité spatiale sur la base d'un concept similaire à la régression pondérée géographiquement (GWR), et convient à la résolution de problèmes de non-stationnarité spatiale dans divers domaines avec des processus géographiques complexes.
Par conséquent, le modèle osp-GNNWR finalement construit présente des avantages potentiels pour décrire l’hétérogénéité spatiale des processus géographiques du monde réel. En termes simples, ce modèle améliorera la précision des prévisions des prix de l’immobilier, aidera à la gestion et à la construction de l’environnement immobilier et améliorera l’indice de bonheur des gens en matière de logement.
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 travaux de recherche à trois niveaux : méthodes théoriques de base, technologies clés de base et applications majeures de l'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. Les recherches sur les technologies clés de base ont été menées autour de directions de pointe telles que le stockage et la gestion de données volumineuses spatio-temporelles, les SIG hautes performances, la visualisation SIG tridimensionnelle et l'analyse et l'exploration approfondies des SIG intelligents. Il a été utilisé pour améliorer l'efficacité et la valeur des applications de données spatio-temporelles ultra-massives, de haute précision et très complexes, et pour 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 ont été menées autour des ressources naturelles, des océans, de l'arpentage et de la cartographie, de l'agriculture, de la foresterie, des transports, de la protection de l'environnement, de la prévention et de l'atténuation des catastrophes et d'autres domaines, et ont permis le développement de logiciels et la transformation des résultats pour les principales stratégies nationales et les 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 la popularisation de l'IA4S, de réduire davantage les barrières de diffusion des résultats de la recherche scientifique des institutions universitaires et de les partager avec un plus large éventail de chercheurs de l'industrie, de passionnés de technologie et d'unités industrielles, HyperAI a planifié la colonne vidéo « Meet AI4S », invitant les chercheurs ou les unités connexes qui sont profondément engagés dans le domaine de l'IA pour la science à partager leurs résultats de recherche et leurs méthodes sous forme de vidéos, et à discuter conjointement des opportunités et des défis auxquels est confrontée l'IA pour la science dans le processus de progrès, de promotion et de mise en œuvre de la recherche scientifique, afin de promouvoir la vulgarisation et la diffusion de l'IA pour la science.
Cliquez pour programmer une diffusion en direct :https://www.huodongxing.com/event/2762111401922