GeOT：用于评估时空预测的空间显式框架
机器学习
2025-04-15 v3 计算工程、金融与科学
摘要
在预测跨越空间与时间的观测值时，空间布局的误差会影响模型的实际效用。例如，在自行车共享需求预测中，误差模式会转化为迁移成本。然而，GeoAI 中常用的误差指标是逐点评估的，忽略了空间异质性、空间自相关以及可修改的区域单位问题等效应。我们提出 optimal transport（最优传输）作为空间评估指标与损失函数。提出的框架称为 GeOT，通过量化预测误差所涉及的运输成本来评估预测模型的性能。通过在真实数据与合成数据上的实验，我们展示了：1）预测误差的空间分布在许多应用场景中与实际成本相关；2）OT 能比现有指标更准确地捕捉这些空间成本；3）OT 能提升跨空间与时间尺度的可比性。最后，我们倡议在神经网络中利用 OT 作为损失函数，以提高预测的空间准确性。基于自行车共享、充电站及交通数据集的实验表明，仅在非空间误差指标略有变化的情况下，空间成本显著降低。因此，该方法不仅提供了一个用于模型评估与选择的空间显式工具，还将空间考量整合到模型训练中。所有代码已公开于 https://github.com/mie-lab/geospatialOT。
引用
@article{arxiv.2410.11709,
title = {GeOT: A spatially explicit framework for evaluating spatio-temporal predictions},
author = {Nina Wiedemann and Théo Uscidda and Martin Raubal},
journal= {arXiv preprint arXiv:2410.11709},
year = {2025}
}