예를 들어 선전의 주택 가격 1.7K를 살펴보면, 저장대학교 GIS 연구실은 주의 메커니즘을 사용하여 지리적 맥락적 특징을 찾아내고 공간적 비정상 회귀의 정확도를 높였습니다.
지리적 가중 회귀 분석(GWR)은 지리적 현상의 공간적 비정상성(즉, 공간적 이질성)을 포착하기 위해 공간 분석에 널리 사용되는 통계적 방법입니다. 기존 GWR은 회귀 매개변수에 미치는 영향을 반영하기 위해 각 관찰 지점에 가중치를 할당합니다. 이러한 가중치는 일반적으로 공간적 거리(예: 유클리드 거리)를 기반으로 계산되며, "거리가 가까울수록 영향력이 커진다"는 원칙을 따릅니다. 하지만,이러한 거리 기반 접근 방식은 지리적 현상의 복잡한 맥락적 유사성을 무시합니다.예를 들어, 사회경제적 요인이나 환경적 특성의 유사성은 회귀 모형에 중요한 영향을 미칠 수 있습니다. 예를 들어, 도시 환경에서 두 개의 멀리 떨어진 지역은 교통 접근성 및 인구 구조와 같은 유사한 사회경제적 또는 환경적 요인으로 인해 유사한 주택 가격 특성을 보일 수 있습니다.
이 문제를 해결하려면저장성 GIS 핵심 실험실의 연구원들은 주의 메커니즘을 기반으로 한 딥러닝 모델인 맥락-주의 지리적 가중 회귀(CatGWR)를 제안했습니다.이 모델은 샘플 간의 공간적 거리와 맥락적 유사성을 결합하여 공간적 비정상성을 보다 정확하게 추정하는 주의 메커니즘을 도입합니다. 이러한 혁신은 특히 복잡한 지리적 현상을 다룰 때 공간 모델링에 대한 새로운 관점을 제공하며 공간적 이질성과 상황적 영향을 더 잘 포착할 수 있습니다.
관련 결과는 "공간적 비정상성 추정에 맥락적 유사성을 통합하기 위한 주의 기반 아키텍처 사용"이라는 제목으로 국제 지리정보과학 저널에 게재되었습니다.
연구 하이라이트:
* CatGWR 모델은 샘플 간의 문맥적 유사성을 계산하기 위해 주의 메커니즘을 도입하여 문맥적 특징의 노이즈 간섭을 효과적으로 피하고 더 정확한 유사성 표현을 얻을 수 있습니다.
* CatGWR 모델은 시뮬레이션 및 경험적 데이터 세트 모두에서 정확도가 크게 향상되었으며, 더욱 자세한 해석 지침을 제공합니다.
서류 주소:
https://doi.org/10.1080/13658816.2025.2456556
프로젝트 오픈소스 주소:
https://github.com/yorktownting/CatGWR
데이터 세트: 시뮬레이션 실험과 실제 사례의 조합
본 논문에서는 시뮬레이션 실험과 실제 사례 연구를 통해 CatGWR 모델의 효과를 검증한다.시뮬레이션 실험에서는 두 개의 64×64 합성 데이터 세트(S1과 S2)를 사용하여 각각 맥락적 이질성과 공간적 이질성만을 갖는 시나리오를 설계했습니다.이러한 데이터 세트는 공간적 이질성 및 무작위 분포 특성과 같은 시뮬레이션된 상황적 속성을 통해 회귀 관계를 구성하여 모델 성능 평가를 위한 제어 가능한 실험 환경을 제공합니다.
실제 사례 연구에서는 중국 선전의 주택 가격 데이터를 예로 들었습니다.중국의 급속한 도시화를 보여주는 전형적인 예로, 선전의 주택 가격은 상당한 공간적 차이를 보인다. 연구 자료에는 1,776개 주거 지역의 주택 가격 표본과 주택 가격과 관련된 7개 독립 변수(예: 건설 연도, 관리비, 녹화율 등)가 포함되어 있습니다. 또한 이 연구에서는 맥락적 특징으로 6차원 택시 승객 데이터도 도입했습니다. 이러한 데이터는 도시 역학과 인간 활동 패턴을 반영하여 모델에 풍부한 공간적, 맥락적 정보를 제공합니다.
모델 아키텍처: 상황적 주의에 기반한 지리적 가중 회귀
CatGWR 모델은 가산적 주의 메커니즘을 사용하여 지리적 맥락 유사성을 계산하고 이를 공간적 거리 가중치와 결합합니다.이 모델은 전처리 모듈, 증폭기 모듈, 회귀 모듈의 세 개 모듈로 나뉩니다.다음 그림과 같이:
(a) 전처리 모듈:입력 데이터에서 종속 변수, 독립 변수 및 맥락적 특징을 추출하고, 각 샘플과 해당 이웃 간의 공간적 가중치 행렬과 공간 연결성 행렬을 계산하는 역할을 담당합니다.
(b) 증폭 모듈:모델의 수용 범위를 확장하고 모델의 이웃 정보 활용도를 향상시킵니다.
(c) 회귀 모듈:샘플 간의 맥락적 유사성은 주의 메커니즘을 통해 계산되며, 이는 공간적 가중치 행렬과 결합되어 맥락화된 공간적 가중치를 얻습니다. 다층 퍼셉트론(MLP)은 맥락화된 공간 가중치를 회귀 계수로 변환하는 데 사용되며, 이를 통해 공간적 비정상성을 추정할 수 있습니다.
실험적 결론: 선전 주택 가격 결정 요인의 공간적 비정상성 밝혀내기
본 논문에서는 시뮬레이션 실험과 선전 주택 가격에 대한 실증 연구를 통해 CatGWR 모델의 효과를 검증한다.시뮬레이션 실험에서 우리는 먼저 4개의 지리적 시나리오의 맥락적 변수를 시뮬레이션하고 생성했으며, 생성된 맥락적 변수를 사용하여 두 세트의 시뮬레이션 데이터 세트를 추가로 구성했습니다. S1(맥락적 변수는 계수의 일부로 데이터 세트 생성에 참여함)과 S2(맥락적 변수는 회귀 관계와 관련이 없으며 CatGWR에 대한 노이즈 입력이 됨). 실험 결과는 다음과 같습니다.
* 시나리오 시나리오(S1)에서는,CatGWR은 시나리오 유사성을 더욱 정확하게 파악하고 이를 공간적 근접성과 효과적으로 결합하여 GWR, MGWR, CGWR, GNNWR과 같은 기존 모델보다 훨씬 우수한 성능을 발휘합니다.
* 문맥화되지 않은 시나리오(S2)에서는CatGWR이 사용하는 어텐션 메커니즘의 견고성 덕분에 데이터셋과 무관한 "컨텍스트 변수"가 노이즈로 도입되더라도 여전히 기존 GWR 모델보다 성능이 떨어지지 않습니다.
선전 주택 가격 데이터세트에서는 CatGWR 모델이 더욱 우수함을 입증했습니다.기존 모델과 비교했을 때, 훈련 세트의 CatGWR의 R² 값은 0.853에서 0.920으로 증가하였고, 예측 세트의 R² 값은 0.717에서 0.764로 증가하였으며, RMS E와 MAE는 각각 28%와 26%만큼 감소하였습니다.
또한,CatGWR 모델은 또한 선전 주택 가격 결정 요인의 공간적 비정상성을 보여줍니다.예를 들어, 선전만 인근은 선전-홍콩 서부회랑을 통해 유입되는 선전과 홍콩 간 통근 주민의 영향으로, 주차 공간 지원이 주택 가격에 미치는 영향이 다른 지역에 비해 더 큽니다. 동시에 표본 간 상황적 공간적 가중치의 "유사한 거리이지만 다른 가중치"의 특성은 선전시의 도시 건설 및 구역 설정의 특성을 반영하기도 합니다. 이는 CatGWR이 공간적 이질성과 시나리오 유사성이 주택 가격에 미치는 영향을 효과적으로 포착할 수 있음을 보여줍니다.
* 경제특구 건설로 인한 도시-농촌 간 차이(비슷한 물리적 거리에서 가중치 AE > AD, AC > AB)
* 토지이용 유형(위성도시-풍경구)의 차이(FH > FL, FG > FL)
CatGWR 모델은 주의 메커니즘을 도입하여 장면 유사성과 공간적 근접성을 성공적으로 결합하여 공간적 비정상성 모델링의 정확도와 견고성을 크게 향상시켰습니다.이 모델은 시뮬레이션 데이터에서 좋은 성능을 보일 뿐만 아니라, 실제 응용 분야에서도 강력한 적합성을 보여주며 지리적 프로세스 모델링을 위한 새로운 아이디어와 방법을 제공합니다.
주택 가격 예측을 활용한 지리적 과정의 과학적인 설명
2024년 4월저장성 GIS 연구실 연구팀은 또한 국제 지리정보과학 저널에 같은 연구 분야에 대한 논문을 발표했습니다.신경망에 의해 최적화된 공간적 근접성 측정법은 지리적 신경망 가중 회귀(GNNWR) 방법과 결합되어 osp-GNNWR 모델을 구성하는데, 이는 종속 변수와 독립 변수 간의 공간적 비정상 회귀 관계를 풀어 신경망의 학습을 실현합니다.
논문 링크:
https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771
전체 보고서를 보려면 클릭하세요: 저장대학교 GIS 연구실에서 osp-GNNWR 모델을 제안했습니다. 복잡한 공간 프로세스와 지리적 현상을 정확하게 설명합니다.
우연히도 이 연구에서는 우한 부동산 데이터를 연구 및 검증의 사례로 사용했습니다. 실험 결과는 osp-GNNWR 모델이 실제 지리적 과정의 공간적 이질성을 묘사하는 데 잠재적인 이점이 있음을 보여주었습니다.
이 연구의 저자는 저장대학교에서 원격 감지 및 지리 정보 시스템 분야의 박사과정 학생인 딩 지얼(Ding Jiale)입니다.그는 온라인 학술 공유 세션에서 이렇게 소개한 적이 있습니다. "지리 과학을 탐구하는 사람으로서, 우리가 만들어낸 모델이 단순히 주택 가격만 예측할 수 있다면, 제 생각에는 그런 결과는 지루할 것입니다. 우리가 추구하는 것은 공간적 위치에 따라 달라지는 이 모델들이 출력하는 일련의 회귀 계수를 활용하여 지리적 과정이나 패턴을 합리적으로 과학적으로 설명하는 것입니다. 이러한 연구가 더 실용적입니다."
지구과학 연구가 도시의 고층 빌딩 사이에 숨겨져 있거나 산, 강, 호수, 바다 꼭대기에 있는 먼 곳으로 항해하고 있을 수도 있지만, 결국에는 모두 이 땅에 모여 사람들이 지리적 과정을 더 잘 이해하고 지리적 현상의 의미를 탐구하는 데 도움이 될 것입니다. 최근 몇 년 동안 관측 기술이 꾸준히 발전함에 따라 지구과학 분야의 시공간적 데이터가 폭발적으로 성장했으며, 이로 인해 지구과학 분야에서 AI와 같은 신기술의 구현이 더욱 촉진되었습니다.
저장성 GIS 중점연구소는 AI와 지구과학 간 학제간 연구의 선구자입니다.전통적인 지리적 가중 회귀의 개념과 신경망 기술을 결합하여 지리적 신경망 가중 회귀(GNNWR)와 지리적 시공간적 신경망 가중 회귀(GTNNWR)를 포함한 일련의 혁신적인 모델이 제안되었습니다.
첫 번째 논문이 발표된 이후, GNNWR, GTNNWR과 같은 일련의 방법들이 많은 주목을 받았으며 해양학, 지리학, 대기 과학, 지질학 등 여러 분야에서 널리 사용되었습니다. 해당 팀은 30편 이상의 관련 논문을 발표했습니다. 동시에 관련 결과는 업계의 다른 팀에게도 영감과 깨달음을 가져다줍니다. 많은 외부 팀이 비슷한 모델링 아이디어나 기술 아키텍처를 사용하여 연구를 수행하는데, 이것이 바로 오픈 소스 연구의 매력입니다.
GNNWR 오픈소스 주소: