.png){kind=icon}
返回
Spatial process-based transfer learning for prediction problems
.png){kind=icon}
OA
AI
DOI：10.1007/s10109-024-00455-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管空间预测是城市和环境监测的通用工具，但当研究区域样本有限时，预测精度往往不尽人意。本研究旨在通过迁移学习提高此类情况下的精度，该方法利用外部区域的大型数据集。具体而言，我们提出了SpTrans方法，该方法使用空间过程模型对每个区域进行预训练地图模式。这些模式随后用于迁移学习，以区分研究区域的独特模式和跨区域的共同模式。通过土地价格预测对所提出的SpTrans方法的性能进行了检验，实证结果表明，该模型比不考虑局部空间依赖的传统学习方法具有更高的预测精度。
Keyword:
Spatial prediction
Transfer learning
Crime
Spatial process
Gradient boosting
C21
C53
C69
期刊
IF:
2.9
论文数:
72
被引数:
1.0K
机构
引用论文
Spatial-Temporal Federated Transfer Learning with multi-sensor data fusion for cooperative positioning多传感器数据融合的时空联合迁移学习协同定位.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏Convolutional Neural Network Coupled with a Transfer-Learning Approach for Time-Series Flood PredictionsWATER
OAAI
WATERIF3
OAAI分享收藏Transfer Learning with Attributes for Improving the Landslide Spatial Prediction Performance in Sample-Scarce Area Based on Variational Autoencoder Generative Adversarial NetworkLANDOAAI
LANDIF3.2
OAAI分享收藏Eigenvector Spatial Filtering for Large Data Sets: Fixed and Random Effects Approaches大数据集的特征向量空间滤波: 固定和随机效应方法OAAI
OAAI分享收藏Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning?用于医学图像分析的卷积神经网络: 完全训练还是微调？OAAI
OAAI分享收藏
查看更多内容