predictSLUMS:一种基于机器学习利用街道交叉口识别与预测城市中非正规住区和贫民窟的新模型
计算机与社会
2018-08-21 v1 机器学习
机器学习
摘要
识别城市当前与未来的非正规区域仍是发展中国家政策制定者与政府的关键议题。城市中此类区域的划定过程需要大量资源。尽管已有基于卫星图像分类、采用监督或无监督机器学习方法识别非正规住区的研究,这些模型要么需要多源输入数据,要么在精度方面有待提升。本文提出一种仅使用街道交叉口数据来识别与预测非正规住区的新方法,不受城市形态、楼层数、建筑材料或街道宽度的差异影响。凭借如此精简的输入数据,我们试图为规划者与政策制定者提供可辅助识别城市非正规地带的实用工具。该模型算法基于空间统计与机器学习方法,使用多项逻辑回归(MNL)与人工神经网络(ANN)。所提模型将非正规住区定义为具备两个普遍特征:相对于当地正规区域被细分为更小地块的住房所填满,以及住区边界内缺乏需要较大地块的服务与基础设施。我们将模型应用于埃及与印度五个存在非正规空间结构的城市:埃及的开罗都市圈、亚历山大、赫尔加达和明亚,以及印度的孟买。predictSLUMS模型在训练所用城市或相似背景的不同城市中识别与预测非正规性均表现出高有效性与准确性。
引用
@article{arxiv.1808.06470,
title = {predictSLUMS: A new model for identifying and predicting informal settlements and slums in cities from street intersections using machine learning},
author = {Mohamed R. Ibrahim and Helena Titheridge and Tao Cheng and James Haworth},
journal= {arXiv preprint arXiv:1808.06470},
year = {2018}
}
备注
26 pages