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
- 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) - JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳(メタデータ) (2023-11-05T18:59:31Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - 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) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane
Markings [54.298482823211806]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳(メタデータ) (2022-07-28T12:29:39Z) - 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) - A windowed correlation based feature selection method to improve time
series prediction of dengue fever cases [0.20072624123275526]
予測性能の低さは、不適切なデータを持つ場所につながる可能性がある。
新しいフレームワークは、インシデントデータのウィンドウ化と時間シフト相関に基づくメトリクスの計算を行う。
繰り返しニューラルネットワークに基づく予測モデルは、平均33.6%の精度向上を達成している。
論文 参考訳(メタデータ) (2021-04-21T00:28:28Z) - 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) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z)
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。