Пространственная нейронная сеть

Категория специализированных нейронных сетей

Разница в прогнозируемых ценах на жилье в пределах земель Австрии, полученных с помощью GWR и GWNN, весовые метрики которых используют соответственно евклидово расстояние (ED) и время в пути (TTD) ^[1]

Пространственные нейронные сети ( SNN ) представляют собой суперкатегорию специализированных нейронных сетей (NN) для представления и прогнозирования географических явлений. Они, как правило, улучшают как статистическую точность , так и надежность а-пространственных/классических NN всякий раз, когда они обрабатывают геопространственные наборы данных , а также других пространственных (статистических) моделей (например, пространственных регрессионных моделей) всякий раз, когда переменные геопространственных наборов данных отображают нелинейные отношения . ^{[2] [3] [1]}

История

Openshaw (1993) и Hewitson et al. (1994) начали исследовать применение а-пространственных/классических NN к географическим явлениям. ^{[4] [5]} Они заметили, что а-пространственные/классические NN превосходят другие широко применяемые а-пространственные/классические статистические модели (например, модели регрессии, алгоритмы кластеризации, классификации максимального правдоподобия) в географии , особенно когда существуют нелинейные отношения между переменными геопространственных наборов данных . ^{[4] [5]} После этого Openshaw (1998) также сравнил эти а-пространственные/классические NN с другими современными и оригинальными а-пространственными статистическими моделями того времени (то есть моделями нечеткой логики, моделями генетических алгоритмов); он пришел к выводу, что а-пространственные/классические NN статистически конкурентоспособны. ^[6] После этого ученые разработали несколько категорий SNN – см. ниже.

Пространственные модели

Пространственные статистические модели (также известные как географически взвешенные модели или просто пространственные модели), такие как географически взвешенные регрессии (GWR), SNN и т. д., являются пространственно адаптированными (непространственными/классическими) статистическими моделями, чтобы изучать и моделировать детерминированные компоненты пространственной изменчивости (т. е. пространственную зависимость/автокорреляцию , пространственную неоднородность , пространственную ассоциацию/взаимную корреляцию ) из географических местоположений (статистических) индивидуумов/единиц наборов геопространственных данных . ^{[7] [8] [1] [9]}

Категории

Существует несколько категорий методов/подходов к проектированию и применению нейронных сетей.

• Пространственные нейронные сети «One-Size-Fits-all» (OSFA) используют метод/подход OSFA для глобального вычисления пространственных весов и проектирования пространственной структуры из изначально апространственных/классических нейронных сетей. ^[2]
• Нейронные сети, учитывающие пространственную изменчивость ( SVANN ), используют усовершенствованный метод/подход OSFA, который локально пересчитывает пространственные веса и перепроектирует пространственную структуру изначально апространственных/классических NN в каждом географическом местоположении значений атрибутов (статистических) индивидуумов/единиц. ^[3] Они, как правило, превосходят пространственные нейронные сети OSFA, но они не всегда справляются с пространственной неоднородностью в различных масштабах. ^[10]
• Географически взвешенные нейронные сети ( GWNN ) похожи на SVANN, но они используют так называемый метод/подход географически взвешенной модели (GWM) Лу и др. (2023), чтобы локально пересчитать пространственные веса и перепроектировать пространственную структуру изначально апространственных/классических нейронных сетей. ^{[1] [9]} Как и SVANN, они не всегда обрабатывают пространственную неоднородность в разных масштабах. ^[1]

Приложения

Существуют примеры применения нейронных сетей SNN в:

• энергия для прогнозирования потребления электроэнергии ; ^[11]
• сельское хозяйство для классификации растительности ; ^[12]
• недвижимость для оценки помещения . ^{[13] [1]}

Смотрите также

• Статистика
• Суперкатегории нейронных сетей
• Статистическое программное обеспечение
• Количественная география
• Пространственный анализ
• программное обеспечение ГИС

Ссылки

1. Хагенауэр Дж., Хельбих М. (2022). «Географически взвешенная искусственная нейронная сеть». Международный журнал географической информационной науки . 36 (2): 215–235. Bibcode : 2022IJGIS..36..215H. doi : 10.1080/13658816.2021.1871618 . S2CID  233883395.
2. Morer I, Cardillo A, Díaz-Guilera A, Prignano L, Lozano S (2020). «Сравнение пространственных сетей: универсальный подход, ориентированный на эффективность». Physical Review . 101 (4): 042301. Bibcode :2020PhRvE.101d2301M. doi :10.1103/PhysRevE.101.042301. hdl : 2445/161417 . PMID  32422764. S2CID  49564277.
3. Gupta J, Molnar C, Xie Y, Knight J, Shekhar S (2021). «Глубокие нейронные сети с учетом пространственной изменчивости (SVANN): общий подход». ACM Transactions on Intelligent Systems and Technology . 12 (6): 1–21. doi :10.1145/3466688. S2CID  244786699.
4. Openshaw S (1993). "Моделирование пространственного взаимодействия с использованием нейронной сети". В Fischer M, Nijkamp P (ред.). Географические информационные системы, пространственное моделирование и оценка политики . Berlin: Springer. стр. 147–164. doi :10.1007/978-3-642-77500-0_10. ISBN 978-3-642-77500-0.
5. Hewitson B, Crane R (1994). Нейронные сети: применение в географии . Библиотека GeoJournal. Т. 29. Берлин: Springer. С. 196. doi :10.1007/978-94-011-1122-5. ISBN 978-94-011-1122-5.
6. Openshaw S (1998). "Нейронные сети, генетические и нечеткие логические модели пространственного взаимодействия". Environment and Planning . 30 (10): 1857–1872. Bibcode : 1998EnPlA..30.1857O. doi : 10.1068/a301857. S2CID  14290821.
7. Анселин Л. (2017). Локальный индикатор многомерной пространственной ассоциации: расширение C Гири (PDF) (Отчет). Центр науки о пространственных данных. стр. 27.
8. Fotheringham S, Sachdeva M (2021). «Моделирование пространственных процессов в количественной географии человека». Annals of GIS . 28 : 5–14. doi : 10.1080/19475683.2021.1903996 . S2CID  233574813.
9. Lu B, Hu Y, Yang D, Liu Y, Liao L, Yin Z, Xia T, Dong Z, Harris P, Brunsdon C, Comber A, Dong G (2023). "GWmodelS: программное обеспечение для географически взвешенных моделей" (PDF) . SoftwareX . 21 : 101291. Bibcode :2023SoftX..2101291L. doi :10.1016/j.softx.2022.101291.
10. Xie Y, Chen W, He E, Jia X, Bao H, Zhou X, Ghosh E, Ravirathinam P (2023). «Использование неоднородности в пространстве с помощью статистически управляемого метаобучения». Knowledge and Information Systems . 65 (6): 2699–2729. doi :10.1007/s10115-023-01847-0. PMC 9994417. PMID 37035130.  S2CID 257436979  . 
11. Rif'an M, Daryanto D, Agung A (2019). "Пространственная нейронная сеть для прогнозирования потребления энергии в районе Палембанга". Journal of Physics: Conference Series . 1402 (3): 033092. Bibcode : 2019JPhCS1402c3092R. doi : 10.1088/1742-6596/1402/3/033092 . S2CID  237302678.
12. Подлипнов В, Фирсов Н, Ивлиев Н, Машков С, Ишкин П, Скиданов Р, Никоноров А (2023). "Спектрально-пространственная нейросетевая классификация гиперспектральных изображений растительности". Серия конференций IOP: науки о земле и окружающей среде . Том 1138. doi : 10.1088/1755-1315/1138/1/012040 .
13. Lin R, Ou C, Tseng K, Bowen D, Yung K, Ip W (2021). «Пространственная модель нейронной сети с прорывной технологией для оценки собственности в сфере недвижимости». Технологическое прогнозирование и социальные изменения . 177 : 121067. doi : 10.1016/j.techfore.2021.121067.