Пространственная нейронная сеть
Пространственные нейронные сети ( SNN ) представляют собой суперкатегорию специализированных нейронных сетей (NN) для представления и прогнозирования географических явлений. Они обычно улучшают как статистическую точность , так и надежность а-пространственных/классических нейронных сетей всякий раз, когда они обрабатывают наборы геопространственных данных , а также других пространственных (статистических) моделей (например, моделей пространственной регрессии), когда переменные наборов геопространственных данных отображают нелинейные отношения . [2] [3] [1]
История
[ редактировать ]Опеншоу (1993) и Хьюитсон и др. (1994) начали исследовать применение а-пространственных/классических нейронных сетей к географическим явлениям. [4] [5] Они заметили, что а-пространственные/классические НС 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 наборами геопространственных данных. ' переменные . [4] [5] После этого Опеншоу (1998) также сравнил эти а-пространственные/классические НС с другими современными и оригинальными а-пространственными статистическими моделями того времени (т. е. моделями нечеткой логики, моделями генетических алгоритмов); он пришел к выводу, что а-пространственные/классические НС статистически конкурентоспособны. [6] После этого ученые разработали несколько категорий SNN – см. ниже.
Пространственные модели
[ редактировать ]Пространственные статистические модели (также известные как географически взвешенные модели или просто пространственные модели), такие как географически взвешенные регрессии (GWR), SNN и т. д., представляют собой пространственно адаптированные (апространственные/классические) статистические модели, поэтому для изучения и моделирования детерминированных компонентов пространственная изменчивость (т. е. пространственная зависимость/автокорреляция , пространственная неоднородность , пространственная ассоциация/взаимная корреляция наборов геопространственных данных ) от географического местоположения (статистических) индивидов/единиц . [7] [8] [1] [9]
Категории
[ редактировать ]Существует несколько категорий методов/подходов к проектированию и применению SNN.
- Пространственные нейронные сети «один размер подходит всем» (OSFA) используют метод/подход OSFA для глобального вычисления пространственных весов и проектирования пространственной структуры на основе изначально апространственных/классических нейронных сетей. [2]
- Нейронные сети с учетом пространственной изменчивости ( SVANN ) используют расширенный метод/подход OSFA, который локально пересчитывает пространственные веса и перепроектирует пространственную структуру исходных а-пространственных/классических NN в каждом географическом местоположении (статистических) лиц/единиц. значения атрибутов. [3] Обычно они превосходят пространственные нейронные сети OSFA, но не всегда справляются с пространственной неоднородностью в нескольких 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 исходных а-пространственных/классических нейронных сетей. [1] [9] Как и SVANN, они не всегда последовательно справляются с пространственной неоднородностью в нескольких масштабах. [1]
Приложения
[ редактировать ]Существуют тематические исследования применения SNN в:
- энергия для прогнозирования потребления электроэнергии ; [11]
- сельское хозяйство для классификации растительности ; [12]
- недвижимости для оценки помещения . [13] [1]
См. также
[ редактировать ]Ссылки
[ редактировать ]- ^ Jump up to: а б с д и ж Хагенауэр Дж., Хельбих М. (2022). «Географически взвешенная искусственная нейронная сеть» . Международный журнал географической информатики . 36 (2): 215–235. Бибкод : 2022IJGIS..36..215H . дои : 10.1080/13658816.2021.1871618 . S2CID 233883395 .
- ^ Jump up to: а б Морер И., Кардилло А., Диас-Гильера А., Приньяно Л., Лосано С. (2020). «Сравнение пространственных сетей: универсальный подход, ориентированный на эффективность». Физический обзор . 101 (4): 042301. Бибкод : 2020PhRvE.101d2301M . дои : 10.1103/PhysRevE.101.042301 . hdl : 2445/161417 . ПМИД 32422764 . S2CID 49564277 .
- ^ Jump up to: а б Гупта Дж., Молнар С., Се Ю., Найт Дж., Шекхар С. (2021). «Глубокие нейронные сети с учетом пространственной изменчивости (SVANN): общий подход». Транзакции ACM в интеллектуальных системах и технологиях . 12 (6): 1–21. дои : 10.1145/3466688 . S2CID 244786699 .
- ^ Jump up to: а б Опеншоу С (1993). «Моделирование пространственного взаимодействия с помощью нейронной сети». Фишер М., Нейкамп П. (ред.). Географические информационные системы, пространственное моделирование и оценка политики . Берлин: Шпрингер. стр. 147–164. дои : 10.1007/978-3-642-77500-0_10 . ISBN 978-3-642-77500-0 .
- ^ Jump up to: а б Хьюитсон Б., Крейн Р. (1994). Нейронные сети: приложения в географии . Библиотека Геожурнала. Том. 29. Берлин: Шпрингер. п. 196. дои : 10.1007/978-94-011-1122-5 . ISBN 978-94-011-1122-5 .
- ^ Опеншоу С (1998). «Нейросетевые, генетические и нечетко-логические модели пространственного взаимодействия». Окружающая среда и планирование . 30 (10): 1857–1872. Бибкод : 1998EnPlA..30.1857O . дои : 10.1068/a301857 . S2CID 14290821 .
- ^ Анселин Л. (2017). Локальный индикатор многомерной пространственной ассоциации: расширение C Гири (PDF) (Отчет). Центр наук о пространственных данных. п. 27.
- ^ Фотерингем С., Сачдева М. (2021 г.). «Моделирование пространственных процессов в количественной человеческой географии» . Анналы ГИС . 28 : 5–14. дои : 10.1080/19475683.2021.1903996 . S2CID 233574813 .
- ^ Jump up to: а б Лу Б, Ху Ю, Ян Д, Лю Ю, Ляо Л, Инь З, Ся Т, Донг З, Харрис П, Брансдон С, Комбер А, Донг Г (2023). «GWmodelS: программное обеспечение для географически взвешенных моделей» (PDF) . Программное обеспечениеX . 21 : 101291. Бибкод : 2023SoftX..2101291L . дои : 10.1016/j.softx.2022.101291 .
- ^ Се Ю, Чен В, Хэ Э, Цзя Икс, Бао Х, Чжоу Икс, Гош Э, Равиратинам П (2023). «Использование неоднородности в пространстве с помощью статистически управляемого метаобучения» . Знания и информационные системы . 65 (6): 2699–2729. дои : 10.1007/s10115-023-01847-0 . ПМЦ 9994417 . ПМИД 37035130 . S2CID 257436979 .
- ^ Рифан М., Дарианто Д., Агунг А. (2019). «Пространственная нейронная сеть для прогнозирования энергопотребления района Палембанга» . Физический журнал: серия конференций . 1402 (3): 033092. Бибкод : 2019JPhCS1402c3092R . дои : 10.1088/1742-6596/1402/3/033092 . S2CID 237302678 .
- ^ 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: наука о Земле и окружающей среде . Том. 1138. дои : 10.1088/1755-1315/1138/1/012040 .
- ^ Лин Р., Оу К., Ценг К., Боуэн Д., Юнг К., Ип В. (2021). «Пространственная нейросетевая модель с революционной технологией для оценки недвижимости в сфере недвижимости». Технологическое прогнозирование и социальные изменения . 177 : 121067. doi : 10.1016/j.techfore.2021.121067 .