ترجمه فارسی مقاله Geotransformer: تقویت پیش بینی شهری با مکانیسم های توجه جغرافیایی

چکیده

Recent advancements have focused on encoding urban spatial information into high-dimensional spaces, with notable efforts dedicated to integrating sociodemographic data and satellite imagery. These efforts have established foundational models in this field. However, the effective utilization of these spatial representations for urban forecasting applications remains under-explored. To address this gap, we introduce GeoTransformer, a novel structure that synergizes the Transformer architecture with geospatial statistics prior. GeoTransformer employs an innovative geospatial attention mechanism to incorporate extensive urban information and spatial dependencies into a unified predictive model. Specifically, we compute geospatial weighted attention scores between the target region and surrounding regions and leverage the integrated urban information for predictions. Extensive experiments on GDP and ride-share demand prediction tasks demonstrate that GeoTransformer significantly outperforms existing baseline models, showcasing its potential to enhance urban forecasting tasks.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر بر رمزگذاری اطلاعات مکانی شهری در فضاهای با ابعاد بالا متمرکز شده است ، با تلاش های قابل توجه اختصاص داده شده به ادغام داده های جامعه شناختی و تصاویر ماهواره ای.این تلاش ها مدلهای بنیادی را در این زمینه ایجاد کرده اند.با این حال ، استفاده مؤثر از این بازنمایی های مکانی برای برنامه های پیش بینی شهری تحت تأثیر قرار نمی گیرد.برای پرداختن به این شکاف ، ما Geotransformer را معرفی می کنیم ، یک ساختار جدید که معماری ترانسفورماتور را با آمار جغرافیایی قبلی هم افزایی می کند.Geotransformer از یک مکانیسم توجه جغرافیایی نوآورانه برای گنجاندن اطلاعات گسترده شهری و وابستگی های مکانی در یک مدل پیش بینی کننده یکپارچه استفاده می کند.به طور خاص ، ما نمرات توجه وزنی جغرافیایی را بین منطقه هدف و مناطق اطراف محاسبه می کنیم و اطلاعات یکپارچه شهری را برای پیش بینی ها اهرم می کنیم.آزمایش های گسترده ای در مورد تولید ناخالص داخلی و کارهای پیش بینی تقاضا به اشتراک گذاری نشان می دهد که Geotransformer به طور قابل توجهی از مدل های پایه موجود بهتر عمل می کند و پتانسیل خود را برای تقویت کارهای پیش بینی شهری نشان می دهد.