小模型大突破！神经网络透视空间异质性，准确描述复杂地理现象
💡
原文中文，约5400字，阅读约需13分钟。
📝
内容提要
HyperAI超神经策划了「Meet AI4S」系列直播栏目，邀请科研人员分享研究成果。本期邀请了浙江大学博士生丁佳乐分享他的研究成果，以神经网络为房价的空间异质性提供新解释。他们构建了osp-GNNWR模型，通过解算因变量与自变量的空间非平稳回归关系实现神经网络的训练，能更准确地描述复杂的空间过程和地理现象。
🎯
关键要点
- HyperAI超神经策划了「Meet AI4S」系列直播栏目，旨在推进AI4S的普适化，降低科研成果传播壁垒。
- 本期邀请了浙江大学博士生丁佳乐分享其研究成果，主题为神经网络在房价空间异质性中的应用。
- 丁佳乐博士构建了osp-GNNWR模型，通过空间非平稳回归关系实现神经网络训练，能更准确描述复杂空间过程。
- 研究中引入了神经网络方法对空间邻近性度量进行优化，提升房价预测准确性。
- 空间异质性是房价波动的关键因素，传统模型在捕捉空间异质性时存在局限。
- 地理加权回归（GWR）模型的回归系数难以确定，常用加权最小二乘法解算。
- GNNWR模型结合深度神经网络，赋予样本空间权重，增强模型的泛化能力。
- 研究中使用多种距离度量（如欧式距离、旅行时间）优化空间邻近性，构建统一的空间邻近度量。
- 以武汉房价为例，osp-GNNWR模型提供了房价空间异质性的新的解释，验证了优化空间邻近性度量的实际意义。
- 小模型在没有丰富数据和算力的情况下仍然具有实际意义，能够解决特定问题。
➡️
