机器学习+城市规划第八期：地理加权规划类模型综述

机器学习+城市规划第八期：地理加权规划类模型综述

地理加权回归（Geographically Weighted Regression, GWR）是处理空间异质性问题的经典方法。近年来，研究者在其基础上发展了多个变种模型，以提高适用性和拟合精度，扩展其能力以处理不同类型的数据和复杂的空间关系。

GWR模型类别

🔹 1. GWR（标准模型）

• 功能：估计回归系数在地理空间中的局部变异。
• 核心思想：通过加权局部样本进行回归，权重根据空间距离调整。
• 适用场景：初步探索空间非平稳性，变量对响应的空间变化。

🔹 2. RGWR / S-GWR（Robust GWR / Semi-parametric GWR） 鲁棒GWR /半参数GWR

• 功能：

  • RGWR：对异常值鲁棒，提高稳定性；
  • S-GWR：部分变量设定为全局（不随空间变化），部分为局部变量。

• 适用场景：

  • 存在异常点影响结果；
  • 某些解释变量不应随空间而变（如政策变量、固定地理特征）；

🔹 3. MGWR（Multiscale GWR） 多尺度GWR

• 功能：为每个解释变量分配不同的带宽，反映不同变量的空间尺度。

• 优点：解决标准 GWR 所有变量共享带宽导致的信息损失问题。

• 适用场景：

  • 不同变量具有不同空间影响尺度；
  • 多尺度空间分析，城市研究、环境科学等。

🔹 4. GWGLM（Geographically Weighted Generalized Linear Model） 地理加权广义线性模型

• 功能：扩展至广义线性模型框架，如二项/泊松回归。

• 适用场景：

  • 响应变量为非正态分布（如二分类、计数数据）；
  • 例如：疾病发生率、交通事故数等。

🔹 5. GWEN（Geographically Weighted Elastic Net） 地理加权弹性网

• 功能：将 Lasso / Elastic Net 正则化引入 GWR；

• 优点：处理高维数据、变量选择、避免过拟合。

• 适用场景：

  • 高维解释变量；
  • 变量筛选需求强烈的空间建模场景。

🔹 6. Bayesian GWR 贝叶斯GWR

• 功能：将 GWR 融入贝叶斯框架，输出系数的后验分布；

• 优势：结果具备不确定性量化能力，可用于决策支持。

• 适用场景：

  • 需要统计置信区间；
  • 空间建模需兼顾不确定性（环境评估、生态风险等）。

🔹 7. Temporal GWR（TGWR） / ST-GWR（Spatiotemporal GWR） 时间GWR/时空GWR

• 功能：结合空间与时间加权，估计时空变异的回归关系。

• 适用场景：

  • 空间影响随时间动态变化；
  • 如空气污染对健康的影响在不同季节或年份有差异。

🔹 8. GWR with Spatial Lag / Spatial Error（空间回归增强 GWR）

• 功能：

  • 考虑空间滞后或空间误差项；
  • 综合 GWR 与 SAR（空间自回归）模型。

• 适用场景：

  • 响应变量之间存在空间自相关；
  • 城市经济增长、房价等空间联动强的数据。

🔹 9. GWR for Panel Data（面板数据 GWR）

• 功能：扩展 GWR 至多期空间面板数据；

• 适用场景：

  • 多时点、多空间单元数据；
  • 例如城市气候变化的年度分析、长期经济趋势。

🔹 10. Functional GWR（FGWR） 功能GWR

• 功能：适应解释变量为函数型数据，如时间序列曲线；

• 适用场景：

  • 解释变量是时间曲线、遥感光谱等；
  • 如 NDVI 曲线对农业产量的空间异质影响。

总结对照表：

针对城市规划学科的任务选择建议

城市规划领域具有高度的空间异质性、多尺度变量、多源数据、时空动态性等特点。因此，选择适合的地理加权回归（GWR）模型应考虑：

• 变量类型（如土地利用、人口密度、交通设施等）
• 数据时间维度（是否跨年、跨季）
• 是否涉及空间联动或相互影响
• 是否有异常值或高维变量

✅ 研究问题对模型选择参考：

✅ 场景对模型选择参考：

✅ 综合推荐：

1. MGWR（多尺度地理加权回归）：最推荐，几乎适用于城市规划的大多数空间变量建模场景
2. ST-GWR（时空地理加权回归）：如果你有时间维度数据，优先考虑
3. S-GWR（半参数地理加权回归）：适合变量混合结构的规划场景
4. Bayesian GWR（贝叶斯地理加权回归）：用于政策分析和不确定性可视化支持

@原创声明：本教程由课题组内部教学使用，利用CSDN平台记录，不进行任何商业盈利。