💰 quantitative finance

A multi-view contrastive learning framework for spatial embeddings in risk modelling

Dit artikel stelt een nieuw multi-view contrastief leerframework voor dat laagdimensionale ruimtelijke embeddings genereert uit satellietbeelden en OpenStreetMap-data om de voorspellende nauwkeurigheid en interpreteerbaarheid van risicomodellen in verzekerings- en vastgoedtoepassingen te verbeteren.

Oorspronkelijke auteurs: Freek Holvoet, Christopher Blier-Wong, Katrien Antonio

Gepubliceerd 2026-08-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Freek Holvoet, Christopher Blier-Wong, Katrien Antonio

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het karakter van een plaats te begrijpen door alleen naar een stip op een kaart te kijken. Decennialang hebben verzekeringsmaatschappijen en vastgoedanalisten precies dit gedaan, waarbij ze een locatie simpelweg behandelden als een paar getallen: breedtegraad en lengtegraad. Ze hoopten dat deze coördinaten hen alles zouden vertellen wat ze moesten weten over risico of vastgoedwaarde. Maar een stip op een kaart is stil; het weet niet of het in een bruisend stadscentrum ligt, in een rustige landelijke vallei, of op een overstromingsgevoelige rivieroever. Het kan de nabijgelegen winkels, het type gebouwen of de textuur van het landschap niet zien. Wanneer analisten alleen op deze ruwe getallen vertrouwen, missen hun modellen vaak de subtiele, echte patronen die bepalen hoe mensen leven en hoe de natuur zich gedraagt. Ze eindigen met het trekken van kunstmatige, blokkerige lijnen rondom risico's die vloeiend over het land stromen, vergelijkbaar met het proberen te beschrijven van een kronkelende rivier door een reeks rechte, rechthoekige stappen te tekenen.

Om dit op te lossen, zijn onderzoekers begonnen met een techniek genaamd "embedding". Denk aan een embedding als een digitale vingerafdruk van een plek. In plaats van alleen een paar getallen, wordt een locatie vertegenwoordigd door een korte lijst met waarden die de essentie ervan vastleggen: hoe het eruitziet, wat eromheen ligt en hoe het in de bredere wereld past. Dit artikel introduceert een nieuwe manier om deze vingerafdrukken te creëren door een computer te leren om naar een plek te kijken vanuit meerdere hoeken tegelijkertijd. De onderzoekers combineerden satellietbeelden, die de fysieke vorm van het land laten zien, met digitale kaarten van menselijke activiteit, zoals de locaties van scholen, winkels en parken. Door een computer te trainen om deze visuele en contextuele aanwijzingen te koppelen aan de exacte geografische coördinaten, creëerden ze een systeem dat in staat is om een rijke, gedetailleerde beschrijving van elke locatie te genereren met beh केवळ de breedtegraad en lengtegraad.

Het team, onder leiding van Freek Holvoet en collega's, bouwde een enorme dataset van bijna 96.000 locaties verspreid over Europa. Voor elke plek verzamelden ze een satellietfoto en een gedetailleerde telling van nabijgelegen voorzieningen uit een wereldwijd kaartproject. Vervolgens trainden ze een computermodel om de verbinding te leren tussen de visuele en contextuele data en de specifieke coördinaten van die plek. Het model leerde te zeggen: "Dit patroon van gebouwen en groene ruimtes hoort bij deze specifieke coördinaten." Zodra het model deze relatie had geleerd, kon het de afbeeldingen en kaarten volledig vergeten. Vanaf dat moment kon het slechts een paar coördinaten nemen voor een nieuwe locatie en direct een complexe digitale vingerafdruk genereren die alle geleerde informatie over de omgeving van die plek bevatte.

De onderzoekers testten dit systeem in twee zeer verschillende scenario's uit de echte wereld. Eerst keken ze naar huizenprijzen in Frankrijk. Ze vergeleken standaardmodellen die alleen ruwe coördinaten gebruikten met modellen die de nieuwe digitale vingerafdrukken gebruikten. De resultaten waren duidelijk: de modellen die de vingerafdrukken gebruikten, voorspelden prijzen veel nauwkeuriger. Belangrijker nog, de nieuwe modellen konden het landschap "zien" op een manier waarop de oude dat niet konden. Wanneer de onderzoekers de voorspellingen visualiseerden, produceerden de oude modellen blokkerige, onnatuurlijke kaarten waar prijzen abrupt versprongen bij onzichtbare lijnen. De nieuwe modellen produceerden vloeiende, realistische kaarten die correct de hoogwaardige gebieden rond Parijs en in de Alpen identificeerden, terwijl ze de lagere waarden in landelijke regio's erkenden. Ze lieten zelfs zien dat het systeem zinvolle voorspellingen kon doen voor gebieden waar het nog nooit een enkele woningverkoop had gezien, simpelweg omdat het het geografische karakter van die regio's begreep.

In een tweede test paste het team de methode toe op overstromingsverzekeringen in België. Ze analyseerden duizenden overstromingsclaims om te zien of de digitale vingerafdrukken konden helpen bij het indelen van gebieden naar risico. Opnieuw presteerden de modellen die de vingerafdrukken gebruikten beter dan die met ruwe coördinaten. Ze waren beter in het onderscheiden van risicovolle en laag-risico wijken, waarbij ze de ware vorm van de gevarenzones langs rivierdalen vastlegden in plaats van ze in kunstmatige dozen te dwingen. De studie toonde ook aan dat deze digitale vingerafdrukken in minder dan een milliseconde gegenereerd konden worden, waardoor ze snel genoeg zijn voor dagelijks gebruik bij het berekenen van verzekeringspremies.

Dit werk suggereert dat de toekomst van risicoanalyse ligt in het geven van een rijker gevoel voor plaats aan computers. Door machines te leren dat een locatie niet alleen een punt in de ruimte is, maar een plek met een specifieke visuele en sociale context, kunnen analisten modellen bouwen die nauwkeuriger en eerlijker zijn. De onderzoekers hebben aangetoond dat deze tools op standaardcomputers getraind en aangepast kunnen worden aan verschillende regio's, wat een praktische manier biedt om de prijsstelling van verzekeringen en het beheer van risico's te verbeteren zonder dat daarvoor voor elke berekening toegang nodig is tot gevoelige of propriëtaire data. Het resultaat is een systeem dat de wereld ziet zoals een mens dat doet: begrijpend dat waar je bent ertoe doet, maar wat er om je heen is, net zo belangrijk is.

Technische Samenvatting: Een Multi-View Contrastive Learning Framework voor Ruimtelijke Embeddings in Risicomodellering

Probleemstelling
Het integreren van ruimtelijke informatie is cruciaal voor het verbeteren van de precisie bij acceptatie en risicobeheer in de verzekeringssector, met name met betrekking tot klimaat-, weers- en demografische factoren. Ruimtelijke gegevens zijn echter vaak ongestructureerd, hoogdimensionaal en moeilijk te integreren in voorspellende modellen. Traditionele benaderingen representeren locaties als eenvoudige coördinatenparen (breedtegraad/lengtegraad) of categorische variabelen (bijv. postcodes). Deze methoden slagen er niet in om de werkelijke geografische structuur te vangen; machine learning-modellen zoals gradient boosting passen vaak lineaire splitsingen toe op coördinaten, wat kunstmatige rechthoekige patronen creëert die niet overeenkomen met de geografie. Hoewel entity embeddings (het mappen van categorische variabelen naar vectoren) in de actuariële wetenschap worden gebruikt, zijn ze vaak ongeschikt voor ruimtelijke risicomodellering omdat ze ruimtelijke eenheden als onafhankelijke categorieën behandelen, waardoor ze de vloeiende overgangen van risico door de ruimte niet kunnen vangen. Bestaande methoden voor ruimtelijke embeddings vertrouwen vaak op een enkele datamodaliteit of vereisen toegang tot externe contextuele data (zoals censusgegevens of satellietbeelden) op het moment van inferentie, wat hun bruikbaarheid beperkt wanneer alleen coördinaten beschikbaar zijn.

Methodologie
De auteurs stellen een nieuw multi-view contrastive learning framework voor om ruimtelijke embeddings te genereren die informatie combineren uit meerdere ruimtelijke databronnen. Het framework is ontworpen om laagdimensionale embeddings te produceren die zowel de ruimtelijke structuur als de contextuele gelijkenis vastleggen, wat de generatie van embeddings voor elke locatie mogelijk maakt met behulp van enkel de breedtegraad- en lengtegraadcoördinaten.

Dataset Constructie:
- Een dataset van 95.857 unieke locaties in Europa werd geconstrueerd, geproportioneerd gesampled op basis van bevolkingsdichtheid.
- Elke locatie wordt verrijkt met twee ruimtelijke views:
  - Google Satellite Imagery (GS): 256×256 RGB-beelden gecentreerd op de coördinaat.
  - OpenStreetMap (OSM) Features: Geaggregeerde tellingen van zes semantische categorieën (winkels, toerisme, horeca, gezondheidszorg, onderwijs, openbare veiligheid) over drie concentrische ringen van H3 hexagonale cellen (totaal 37 hexagonen).
Modelarchitectuur:
Het model bestaat uit twee hoofdvertakkingen die worden uitgelijnd via contrastive learning:
- Spatial View Encoders (Multi-View Fusion):
  - GS Encoder: Een ResNet18-architectuur (pre-trained op SSL4EO-S12) verwerkt de satellietbeelden.
  - OSM Encoder: Een aangepaste convolutionele neurale netwerk verwerkt de hexagonale OSM-data. Het maakt gebruik van een mappingstrategie (Moussaid, 2023) om hexagonale rasters te transformeren naar vierkante matrices met gemaskeerde hoeken, waardoor standaard convolutionele filters kunnen worden gebruikt terwijl de nabijheidsrelaties behouden blijven.
  - Fusie: De outputs van de GS- en OSM-encoders worden geconcateneerd en door een feed-forward neuraal netwerk geleid om een gezamenlijke ruimtelijke view embedding ( $z_{MV}$ ) te produceren.
- Location Encoder:
  - Converteert breedtegraad-lengtegraad coördinaten ( $\lambda, \phi$ ) naar een vector ( $z_{LE}$ ) van dezelfde dimensie als de gefuseerde view embedding.
  - Maakt gebruik van een positional encoder gebaseerd op sferische harmonieken (Rußwurm et al., 2024) om ruimtelijke locaties te decomponeren, gevolgd door een Siren network (sinusoidal activation feed-forward network) om een vloeiende representatie op een sfeer te garanderen.
- Trainingsdoel:
  - Het model wordt getraind met een contrastive loss functie (vergelijkbaar met CLIP). Het doel is om de gelijkenis tussen de coördinaat-gebaseerde embedding ( $z_{LE}$ ) en de data-gebaseerde embedding ( $z_{MV}$ ) voor dezelfde locatie te maximalen, terwijl de gelijkenis voor mismatchende locaties wordt geminimaliseerd.
  - Dit proces dwingt de coördinaat-encoder om de contextuele informatie die in de satelliet- en OSM-views besloten ligt, te internaliseren.
Inferentie:
Zodra getraind, kan de locatie-encoder ruimtelijke embeddings genereren voor nieuwe locaties met behulp van alleen hun coördinaten, zonder dat er toegang nodig is tot de oorspronkelijke satelliet- of OSM-data.

Belangrijkste Bijdragen

Nieuwe Architectuur: Het artikel stelt de eerste architectuur voor in de actuariële literatuur die meerdere ruimtelijke views (beelden en tabulaire context) fuseert met een coördinaat-encoder via contrastive learning.
Regionale Focus: In tegen tegenstelling tot globale foundation-modellen (zoals AlphaEarth, SatCLIP) die hoogdimensionale globale representaties produceren, is dit framework ontworpen voor fijnmazige regionale toepassingen. Het is computationeel efficiënt genoeg om te worden hertraind op consumentenhardware (enkele GPU) en kan worden aangepast aan specifieke regio's of databronnen.
Alleen Coördinaten voor Inferentie: Het framework lost het probleem op van het genereren van rijke ruimtelijke kenmerken voor datasets die alleen coördinaten bevatten, een veelvoorkomende beperking in verzekeringsportefeuilles.
Open Bronnen: De auteurs bieden de code aan op GitHub en brengen vijf pre-trained embedding-modellen van variërende dimensies (8, 16, 32, 64) uit die getraind zijn op Europese data.

Experimentele Resultaten
Het framework werd gevalideerd via twee casestudy's:

Franse Vastgoedprijzen (Regressie):
- Setup: Het voorspellen van vastgoedprijzen met behulp van Generalized Linear Models (GLM), Generalized Additive Models (GAM) en Gradient Boosting Machines (GBM).
- Prestaties: Het vervangen van ruwe coördinaten door ruimtelijke embeddings verbeterde consequent de out-of-sample voorspellende nauwkeurigheid (lagere Mean Squared Error) over alle drie de modeltypen. De verbetering was het meest significant voor GLM's (ongeveer 21% reductie in loss) en GAM's (25%), aangezien deze modellen moeite hebben om complexe ruimtelijke patronen met alleen ruwe coördinaten te vangen.
- Interpreteerbaarheid: Variabele belangstelling-analyse toonde aan dat ruimtelijke embeddings de belangrijkste feature werden. Partial dependence plots onthulden dat de embeddings genuanceerde patronen vastlegden (bijv. specifieke skiresorts, stedelijk-landelijke gradiënten) die ruwe coördinaten of standaard smoothing niet konden vangen.
- Generalisatie: Het model generaliseerde ruimtelijke effecten succesvol naar regio's (Bas-Rhin, Haut-Rhin, Moselle) die afwezig waren in de trainingsdata, waarbij het realistische risicopatronen vastlegde op basis van ruimtelijke kenmerken in plaats van coördinaat-extrapolatie.
Belgische Overstromingsclaims (Verzekering):
- Setup: Het modelleren van het aantal overstromingsclaims per postcode met behulp van Poisson GLM, GAM en GBM.
- Prestaties: Ruimtelijke embeddings verminderden de out-of-sample Poisson deviance voor alle modelklassen vergeleken met coördinaat-gebaseerde inputs.
- Risicoclassificatie: Lorenz-curve analyse toonde aan dat modellen met embeddings een betere risicoclassificatie bereikten (hogere Gini-indices), met name bij het onderscheiden van hoog-risicogebieden (bijv. Verviers, Liège) van laag-risicogebieden. De embeddings stelden de GLM in staat om overstromingspatronen nauwkeuriger te herstellen dan een GAM met bivariate coördinaat-smoothing.

Betekenis en Claims
Het artikel beweert dat dit framework een flexibele, schaalbare en computationeel efficiënte methode biedt voor het integreren van geografische informatie in actuariële prijsmodellen. Door verder te gaan dan entity embeddings en eenvoudige ruimtelijke smoothing, bieden de voorgestelde ruimtelijke embeddings vloeiende, overdraagbare en verklaarbare representaties van risico.

De auteurs benadrukken dat deze embeddings modellen in staat stellen om:

Fijnmazige lokale structuren (topografie, landgebruik) te vangen die globale modellen mogelijk over het hoofd zien.
Te generaliseren naar territoria zonder uitkomstobservaties door voorspellingen te associëren met ruimtelijke kenmerken in plaats van absolute coördinaten.
Periodiek te worden hertraind om aan te passen aan de temporele veranderingen in de omgeving (bijv. door gebruik te maken van historische satellietarchieven).

Dit werk positioneert ruimtelijke foundation-modellen als een levensvatbare volgende stap voor de actuariële wetenschap, waarbij de kloof wordt overbrugd tussen grootschalige geospatial AI en praktische, granulaire verzekeringsrisicobeheersing. De auteurs merken op dat hoewel de embeddings krachtig zijn, hun gebruik als tarieffactoren zorgvuldige overweging vereist wat betreft eerlijkheid, omdat ze sociaaleconomische patronen kunnen vangen die niet aanwezig zijn in traditionele territoriale variabelen.

Meer zoals dit