.png){kind=icon}
返回
A context entanglement-based geographically weighted regression method
.png){kind=icon}
OA
AI
DOI：10.1080/15481603.2026.2713313.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地理加权回归（GWR）为建模空间非平稳性提供了重要框架，但其权重生成机制通常依赖各向同性欧几里得距离。在复杂地理环境中，物理邻近性并不一定表明强地理关联，尤其是在相邻位置在空间结构、方向配置或属性条件上存在显著差异时。为解决此局限性，本研究提出了一种基于情境纠缠的地理加权回归（CEGWR）方法。情境纠缠被定义为在确定局部空间关联时，地理位置、方向配置和属性分布之间的不可分离耦合。CEGWR通过高维情境向量联合编码空间、方向和属性信息来表示每个观测值，而非将地理距离和属性相似性视为独立的邻近性来源。这些情境向量被转换为PCA白化的情境坐标，并利用情境邻近性生成局部回归权重。通过此设计，CEGWR通过用情境依赖的地理关联取代纯几何邻近性，重构了GWR的权重机制，同时保留了GWR的可解释局部系数结构。在本文考察的两个模拟设置和一个开源真实数据集中，CEGWR的拟合误差和AICc值均优于对比的GWR型模型，并在模拟中提升了系数表面的恢复效果。结果表明，对于以突变过渡或情境依赖局部关联为特征的空间过程，将地理距离之外的情境信息纳入权重方案可能改善模型拟合和空间变系数的估计，为分析复杂地理现象提供了灵活的局部回归框架。
Keyword:
Geographically weighted regression
context similarity
attribute similarity
contextual distance
local regression
期刊
暂无期刊信息
机构
引用论文
Geographically weighted regression with a non- Euclidean distance metric: a case study using hedonic house price data非欧几里德距离度量的地理加权回归: 使用特征房价数据的案例研究
OAAI
OAAI分享收藏Yu, S.; Hu, X.; Sheng, Y.; Zhao, C. Similarity and geographically weighted regression considering spatial scales of features space. Spat. Stat. 2025, 67, 100897. [Google Scholar] [CrossRef]Yu, S.; Hu, X.; Sheng, Y.; Zhao, C. 考虑特征空间空间尺度的相似性与地理加权回归. Spat. Stat. 2025, 67, 100897. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Geographically weighted regression: A method for exploring spatial nonstationarity地理加权回归: 一种探索空间非平稳性的方法OAAI
OAAI分享收藏
查看更多内容