ReGNL：利用夜间灯光在扰动事件中快速预测GDP
机器学习
2022-01-20 v1
摘要
政策制定者常基于 GDP、失业率、工业产出等参数做出决策。获取乃至估计此类信息的主要方法耗费资源且耗时。为做出及时且明智的决策，必须能为这些参数提供可快速高效采样的代理变量，尤其在如 COVID-19 大流行等扰动事件期间。近来，利用遥感数据实现此目的受到大量关注。相比调查，数据收集更便宜且可实时获取。本工作中，我们提出区域 GDP 夜间灯光（ReGNL），一种基于神经网络的模型，其在由历史夜间灯光与 GDP 数据及某地地理坐标构成的自定义数据集上训练，并在给定其他参数时估计该地 GDP。以美国 50 个州为例，我们发现 ReGNL 与扰动无关，能够预测正常年份（2019）与含扰动事件年份（2020）的 GDP。ReGNL 在预测上优于时间序列 ARIMA 方法，即便在大流行期间亦然。基于我们的发现，我们主张建设基础设施以收集并提供细粒度数据，尤其在资源匮乏地区，以便扰动事件期间用于政策制定。
引用
@article{arxiv.2201.07612,
title = {ReGNL: Rapid Prediction of GDP during Disruptive Events using Nightlights},
author = {Rushabh Musthyala and Rudrajit Kargupta and Hritish Jain and Dipanjan Chakraborty},
journal= {arXiv preprint arXiv:2201.07612},
year = {2022}
}