超越空间自回归模型：利用卫星影像预测房价

在对地理空间数据建模时，捕捉空间相关性对于实现高精度至关重要。空间自回归（SAR）是用于对此类数据建模的常用工具，其中空间邻接矩阵（W）编码了空间相关性。然而，SAR 的有效性受到两个因素的限制。首先，它依赖于邻接矩阵的选择，而该矩阵通常不是从数据中学习得到的，而是被假定为先验已知。其次，它假设观测值可以用线性模型解释。在本文中，我们提出了一种卷积神经网络（CNN）框架来对地理空间数据（特别是房价）进行建模，以自动学习空间相关性。我们表明，嵌入在卫星影像中的邻域信息可以被利用来实现所需的空间平滑。我们框架的另一个优点是放宽了对数据的线性假设。在实现我们的框架时，我们解决的具体挑战包括：(i) 在估算房价时，多大范围的邻域是相关的？(ii) 捕获卫星影像多分辨率的正确方法是什么？(iii) 还有哪些其他数据源可以帮助改进空间相关性的估计？我们证明，通过使用深度神经网络的特征，在伦敦、伯明翰和利物浦这三个城市，相较于 SAR 基线，实现了 57% 的显著改进。