지리적 가중 회귀(GWR)는 공간적 이질성을 모델링하는 데 널리 사용되는 기법이지만, 종속 변수와 독립 변수 간의 관계가 선형적이라는 가정을 한다는 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해, 지리적 가중 기법과 신경망을 통합하여 복잡한 비선형적 공간 관계를 포착하는 새로운 프레임워크인 인공 지리적 가중 신경망(AGWNN)을 제안한다. AGWNN의 핵심은 신경망 구조 내에 공간적 이질성을 인코딩하도록 설계된 지리적 가중 계층(GWL)이다. 모의 데이터셋과 실제 사례 연구를 사용한 포괄적인 실험을 통해 AGWNN의 성능을 엄격하게 평가한 결과, AGWNN은 모델 적합 정확도 측면에서 기존 GWR과 표준 인공 신경망(ANN)보다 훨씬 우수한 성능을 보였다. 특히 AGWNN은 복잡한 비선형 관계를 모델링하고 복잡한 공간적 이질성 패턴을 효과적으로 식별하여 강력하고 다용도의 고급 공간 분석 도구를 제공한다.
