结合卫星影像的深度学习混合模型：如何将需求建模与计算机视觉融合用于行为分析？
机器学习
2024-02-23 v2 计算机视觉与模式识别
综合经济学
经济学
摘要
经典需求建模仅使用低维数值数据（即社会人口统计与出行属性）而非高维城市影像来分析出行行为。然而，出行行为依赖于由数值数据与城市影像共同表征的因素，因此需要一种协同框架将二者结合。本研究创建了具有交叉结构的深度学习混合模型理论框架，该结构由混合算子与行为预测器组成，从而将数值与影像数据整合至潜在空间。在实证中，该框架被应用于分析出行方式选择，以芝加哥的 MyDailyTravel 调查作为数值输入、卫星图像作为影像输入。我们发现，采用监督即混合设计的深度混合模型在预测聚合与离散出行行为上均优于传统需求模型与近期深度学习模型。深度混合模型中的潜在空间可被解释，因其揭示了有意义的空间与社会模式。深度混合模型还能生成现实中不存在的新城市图像，并借助经济理论（如计算替代模式与社会福利变化）加以解释。总体而言，深度混合模型展示了低维数值与高维影像数据之间、以及传统需求建模与近期深度学习之间的互补性。它将经典混合需求模型中的潜在类别与变量推广至潜在空间，并在利用深度学习处理影像的计算能力的同时，保留了基于微观经济学基础的经济可解释性。
引用
@article{arxiv.2303.04204,
title = {Deep hybrid model with satellite imagery: how to combine demand modeling and computer vision for behavior analysis?},
author = {Qingyi Wang and Shenhao Wang and Yunhan Zheng and Hongzhou Lin and Xiaohu Zhang and Jinhua Zhao and Joan Walker},
journal= {arXiv preprint arXiv:2303.04204},
year = {2024}
}