以1.7K深圳小区房价为例，浙大GIS实验室使用注意力机制挖掘地理情景特征，提升空间非平稳回归精度

引入注意力机制有效避免情景特征中的噪声干扰

原标题：以1.7K深圳小区房价为例，浙大GIS实验室使用注意力机制挖掘地理情景特征，提升空间非平稳回归精度
文章来源：HyperAI超神经
内容字数：6728字

浙江省GIS重点实验室基于注意力机制的深度学习模型CatGWR

本文介绍了浙江省GIS重点实验室研究人员提出的基于注意力机制的深度学习模型CatGWR，该模型用于更准确地估计空间非平稳性，并取得了显著成果。

1. 传统GWR的局限性

传统的地理加权回归(GWR)模型主要基于空间距离计算权重，忽略了地理现象中复杂的情境相似性，例如社会经济因素或环境特征的相似性，导致模型精度受限。

2. CatGWR模型的创新

CatGWR模型通过引入注意力机制，将样本之间的空间距离和情境相似性相结合，从而更准确地估计空间非平稳性。该模型有效地避免了情景特征中的噪声干扰，得到更精准的相似性表达，并在模拟和实证数据集上都展现出显著的精度提升。

3. 模型架构

CatGWR模型包含三个模块：预处理模块、放大模块和回归模块。预处理模块提取数据并计算空间权重；放大模块扩展模型的感受野；回归模块利用注意力机制计算情境相似性，并结合空间权重得到情景化空间权重，最终利用多层感知机(MLP)实现空间非平稳性的估计。

4. 实验结果与应用

研究团队通过模拟实验和深圳房价数据实证研究验证了CatGWR模型的有效性。模拟实验结果表明，在情景化场景中，CatGWR模型显著优于GWR、MGWR、CGWR和GNNWR等现有模型；在非情景化场景中，CatGWR模型也表现出色。深圳房价案例研究显示，CatGWR模型的R²值显著提高，RMSE和MAE均大幅降低。此外，CatGWR模型还揭示了深圳房价决定因素的空间非平稳性，例如深圳湾附近配套停车位数量对房价的影响更为显著，这反映了深圳市的城市建设和分区特点。

5. 研究团队及相关工作

浙江省GIS重点实验室长期致力于AI与地球科学交叉学科研究，此前已提出GNNWR、GTNNWR等模型，并在多个领域得到广泛应用。该实验室的研究人员强调，模型的科学解释性至关重要，CatGWR模型不仅能进行房价预测，更能帮助理解地理过程和地理现象背后的意义。

6. 开源与资源

CatGWR模型的代码和数据均已开源，方便其他研究者使用和改进。文章也提供了相关论文和学术直播的信息。

总之，CatGWR模型的提出为地理空间建模提供了新的视角，其在处理复杂地理现象时能够更好地捕捉空间异质性和情境影响，具有重要的理论意义和应用价值。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例