論文の概要: House Price Valuation Model Based on Geographically Neural Network Weighted Regression: The Case Study of Shenzhen, China

• arxiv url: http://arxiv.org/abs/2202.04358v1
• Date: Wed, 9 Feb 2022 09:40:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-10 16:09:59.155698
• Title: House Price Valuation Model Based on Geographically Neural Network Weighted Regression: The Case Study of Shenzhen, China
• Title（参考訳）: 地理的ニューラルネットワーク重み付き回帰に基づく住宅価格評価モデル:中国深セン市を事例として
• Authors: Zimo Wang, Yicheng Wang, Sensen Wu
• Abstract要約: GNNWR(Geographical Neural Network Weighted Regression)と呼ばれる新しい手法が適用され、不動産評価の精度が向上した。 GNNWRは、深セン不動産市場で異なる変種の重量分布を捉えており、GWRは実現が難しい。 これは住宅価格を評価するための実用的で厳しい方法であり、複雑な社会経済データセットにおけるGNNWRの有効性を実証する。
• 参考スコア（独自算出の注目度）: 6.023710971800604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confronted with the spatial heterogeneity of real estate market, some traditional research utilized Geographically Weighted Regression (GWR) to estimate the house price. However, its kernel function is non-linear, elusive, and complex to opt bandwidth, the predictive power could also be improved. Consequently, a novel technique, Geographical Neural Network Weighted Regression (GNNWR), has been applied to improve the accuracy of real estate appraisal with the help of neural networks. Based on Shenzhen house price dataset, this work conspicuously captures the weight distribution of different variants at Shenzhen real estate market, which GWR is difficult to materialize. Moreover, we focus on the performance of GNNWR, verify its robustness and superiority, refine the experiment process with 10-fold cross-validation, extend its application area from natural to socioeconomic geospatial data. It's a practical and trenchant way to assess house price, and we demonstrate the effectiveness of GNNWR on a complex socioeconomic dataset.
• Abstract（参考訳）: 不動産市場の空間的不均一性と相まって、いくつかの伝統的な研究は、住宅価格を推定するために地理重み付け回帰(GWR)を利用した。 しかし、カーネル関数は非線形であり、帯域幅を最適化するために複雑であり、予測能力も改善される可能性がある。 その結果、GNNWR(Geographical Neural Network Weighted Regression)と呼ばれる新しい手法が、ニューラルネットワークの助けを借りて不動産評価の精度を向上させるために応用された。 深セン住宅価格データセットに基づいて、この研究は、GWRが実現しにくい深セン不動産市場で異なる変種の重量分布を顕著に捉えている。 さらに,GNNWRの性能に着目し,その堅牢性と優越性を検証し,10倍のクロスバリデーションで実験プロセスを洗練し,適用範囲を自然と社会の地理空間データに拡張する。 これは住宅価格を評価するための実用的で厳しい方法であり、複雑な社会経済データセットにおけるGNNWRの有効性を実証する。

関連論文リスト

• Cybercrime Prediction via Geographically Weighted Learning [0.24578723416255752]
  地理的緯度と長手点を考慮したグラフニューラルネットワークモデルを提案する。 合成データセットを用いて,サイバーセキュリティの4クラス分類問題にアルゴリズムを適用した。 従来のニューラルネットワークや畳み込みニューラルネットワークよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2024-11-07T11:46:48Z)
• On the Convergence of (Stochastic) Gradient Descent for Kolmogorov--Arnold Networks [56.78271181959529]
  Kolmogorov--Arnold Networks (KAN) はディープラーニングコミュニティで注目されている。 実験により、勾配降下(SGD)により最適化されたカンが、ほぼゼロに近い訓練損失を達成できることが示された。
  論文  参考訳（メタデータ） (2024-10-10T15:34:10Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Towards Temporal Edge Regression: A Case Study on Agriculture Trade Between Nations [4.612412025217201]
  グラフニューラルネットワーク(GNN)は、動的グラフ上のタスクにおいて有望なパフォーマンスを示している。 本稿では,GNNの静的および動的設定におけるエッジ回帰タスクへの適用について検討する。
  論文  参考訳（メタデータ） (2023-08-15T17:13:16Z)
• Covariate-distance Weighted Regression (CWR): A Case Study for Estimation of House Prices [0.0]
  住宅価格は、住宅年齢、床面積、土地利用など多くの要因に影響を受けている。 CWRは従来の空間回帰モデルから推定誤差を効果的に低減することができる。
  論文  参考訳（メタデータ） (2023-05-15T03:05:57Z)
• GWRBoost:A geographically weighted gradient boosting method for explainable quantification of spatially-varying relationships [11.025779617297946]
  本稿では,重み付き回帰モデルGWRBoostを提案する。 提案モデルでは,パラメータ推定精度が18.3%,AICcが67.3%,適合性が67.3%向上した。
  論文  参考訳（メタデータ） (2022-12-12T10:24:47Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Boosting House Price Predictions using Geo-Spatial Network Embedding [16.877628778633905]
  本稿では, グラフニューラルネットワークの概念を活用し, 住宅近傍の空間的文脈を捉えることを提案する。 特に,地空間ネットワーク埋め込み(GSNE, Geo-Spatial Network Embedding)という,多部ネットワークの形で住宅の埋め込みや様々な種類の関心点(POI)を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T06:17:21Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。