論文の概要: Better coverage, better outcomes? Mapping mobile network data to official statistics using satellite imagery and radio propagation modelling

• arxiv url: http://arxiv.org/abs/2002.11618v1
• Date: Thu, 20 Feb 2020 14:19:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-03 02:42:22.907942
• Title: Better coverage, better outcomes? Mapping mobile network data to official statistics using satellite imagery and radio propagation modelling
• Title（参考訳）: より良いカバレッジ、より良い結果? 衛星画像と電波伝搬モデルを用いたモバイルネットワークデータの公式統計へのマッピング
• Authors: Till Koebe
• Abstract要約: 公開衛星画像から抽出した人的決済情報と無線伝搬モデリング技術を組み合わせることで、それを説明する。 セネガルの失業推定に関するシミュレーション研究と実世界の応用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile sensing data has become a popular data source for geo-spatial analysis, however, mapping it accurately to other sources of information such as statistical data remains a challenge. Popular mapping approaches such as point allocation or voronoi tessellation provide only crude approximations of the mobile network coverage as they do not consider holes, overlaps and within-cell heterogeneity. More elaborate mapping schemes often require additional proprietary data operators are highly reluctant to share. In this paper, I use human settlement information extracted from publicly available satellite imagery in combination with stochastic radio propagation modelling techniques to account for that. I investigate in a simulation study and a real-world application on unemployment estimates in Senegal whether better coverage approximations lead to better outcome predictions. The good news is: it does not have to be complicated.
• Abstract（参考訳）: モバイルセンシングデータは地理空間解析のための一般的なデータソースとなっているが、統計データなどの他の情報源と正確にマッピングすることは課題である。 ポイントアロケーションやボロノイテッセルレーションのような一般的なマッピング手法は、ホールやオーバーラップ、セル内不均一性を考慮しないため、モバイルネットワークの粗い近似のみを提供する。 より精巧なマッピングスキームは、しばしば追加のプロプライエタリなデータオペレータを必要とする。 本稿では,公開衛星画像から抽出した人為的決済情報と,確率的電波伝搬モデリング手法を組み合わせることで,それを説明する。 セネガルの失業推定におけるシミュレーション研究と実世界の応用について、より良いカバレッジ近似がより良い成果予測につながるかどうかについて検討する。 良いニュースは、それは複雑である必要はありません。

関連論文リスト

• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 複雑さを低減した現在の最先端技術の性能をわずかに上回る新しいモデルを導入する。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Accelerated Stochastic ExtraGradient: Mixing Hessian and Gradient Similarity to Reduce Communication in Distributed and Federated Learning [50.382793324572845]
  分散コンピューティングはデバイス間の通信を伴うため、効率性とプライバシという2つの重要な問題を解決する必要がある。 本稿では,データ類似性とクライアントサンプリングのアイデアを取り入れた新しい手法について分析する。 プライバシー問題に対処するために,付加雑音の手法を適用し,提案手法の収束への影響を解析する。
  論文  参考訳（メタデータ） (2024-09-22T00:49:10Z)
• Learning Cellular Network Connection Quality with Conformal [5.695027198038298]
  我々は不確実性マップを構築するための新しい共形予測手法を導入する。 我々は、目標とする手動データ収集を優先するために、不確実性の高い地域を特定する。 また,提案手法は,研究者が高品質なデータを選択的に収集するためのサンプリング戦略にも繋がる。
  論文  参考訳（メタデータ） (2024-06-04T19:33:00Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
  本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。 タスクに対してSTSMというモデルを提案する。 私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
  論文  参考訳（メタデータ） (2024-01-19T06:26:05Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Cellular Network Radio Propagation Modeling with Deep Convolutional Neural Networks [7.890819981813062]
  本稿では,深部畳み込みニューラルネットワークを用いた電波伝搬のモデル化手法を提案する。 また、電波伝搬のデータ駆動モデリングの枠組みを概説した。
  論文  参考訳（メタデータ） (2021-10-05T07:20:48Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。