GeoConformal 预测：一种测量空间预测不确定性的模型中性框架
机器学习
2025-04-29 v3 机器学习
数据分析、统计与概率
应用统计
摘要
空间预测是地理学中的基础任务。近年来，随着地理人工智能 (GeoAI) 的发展，众多模型被开发以提高地理变量预测的准确性。除了实现更高的准确率，获取带有不确定性度量的预测同样重要，以增强模型可信度并支持负责任的空间预测。虽然克里金等地统计方法已提供一定程度的不确定性评估（如克里金方差），但这些度量往往不够准确且缺乏对其他空间模型的普适适用性。为此，我们提出一种称为 GeoConformal 预测的模型中性不确定性评估方法，将地理加权引入等时预测。我们将其应用于两种经典空间预测案例：空间回归和空间插值，以评估其可靠性。首先在空间回归案例中，我们使用 XGBoost 预测房屋价格，随后采用 GeoConformal 计算不确定性。结果表明，GeoConformal 的覆盖率达到 93.67%，而 Bootstrap 方法在 2000 次运行后最多仅达到 81.00%。随后我们将 GeoConformal 应用于空间插值模型，发现其得到的不确定性与克里金的方差高度吻合。最后，我们利用 GeoConformal 分析了空间预测的不确定性来源。我们发现，显式地将局部特征纳入 AI 模型可显著降低预测不确定性，尤其是在局部关联性强的区域。我们的发现表明，GeoConformal 不仅对地理知识发现具有潜力，也为指导未来 GeoAI 模型的设计指明了方向，为构建更可靠、更可解释的空间预测框架铺平了道路。
引用
@article{arxiv.2412.08661,
title = {GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction},
author = {Xiayin Lou and Peng Luo and Liqiu Meng},
journal= {arXiv preprint arXiv:2412.08661},
year = {2025}
}