論文の概要: Reimagining City Configuration: Automated Urban Planning via Adversarial Learning

• arxiv url: http://arxiv.org/abs/2008.09912v2
• Date: Thu, 7 Jan 2021 16:52:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 07:48:06.565287
• Title: Reimagining City Configuration: Automated Urban Planning via Adversarial Learning
• Title（参考訳）: 都市構成の再考--敵対的学習による都市計画の自動化
• Authors: Dongjie Wang, Yanjie Fu, Pengyang Wang, Bo Huang, Chang-Tien Lu
• Abstract要約: 都市計画は、土地利用形態を設計する努力を指す。 近年のディープラーニングの進歩は、機械が人間の能力で学習し、土地利用構成を自動的かつ迅速に計算することができるか、という問いを提起する動機となっている。
• 参考スコア（独自算出の注目度）: 28.930624100994514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban planning refers to the efforts of designing land-use configurations. Effective urban planning can help to mitigate the operational and social vulnerability of a urban system, such as high tax, crimes, traffic congestion and accidents, pollution, depression, and anxiety. Due to the high complexity of urban systems, such tasks are mostly completed by professional planners. But, human planners take longer time. The recent advance of deep learning motivates us to ask: can machines learn at a human capability to automatically and quickly calculate land-use configuration, so human planners can finally adjust machine-generated plans for specific needs? To this end, we formulate the automated urban planning problem into a task of learning to configure land-uses, given the surrounding spatial contexts. To set up the task, we define a land-use configuration as a longitude-latitude-channel tensor, where each channel is a category of POIs and the value of an entry is the number of POIs. The objective is then to propose an adversarial learning framework that can automatically generate such tensor for an unplanned area. In particular, we first characterize the contexts of surrounding areas of an unplanned area by learning representations from spatial graphs using geographic and human mobility data. Second, we combine each unplanned area and its surrounding context representation as a tuple, and categorize all the tuples into positive (well-planned areas) and negative samples (poorly-planned areas). Third, we develop an adversarial land-use configuration approach, where the surrounding context representation is fed into a generator to generate a land-use configuration, and a discriminator learns to distinguish among positive and negative samples.
• Abstract（参考訳）: 都市計画は、土地利用形態を設計する努力を指す。 効果的な都市計画は、高い税、犯罪、交通渋滞と事故、公害、抑うつ、不安といった都市システムの運用的および社会的脆弱性を軽減するのに役立つ。 都市システムの複雑さが高いため、こうした仕事はプロのプランナーによってほとんど完了している。 しかし、人間のプランナーは時間がかかる。 機械は自動的かつ迅速に土地利用構成を計算できる人間の能力で学習できるので、人間プランナーは最終的に特定のニーズのためにマシン生成計画を調整することができるだろうか? この目的のために,都市の自動計画問題を,周囲の空間的文脈を考慮した土地利用設定の学習課題に定式化する。 タスクをセットアップするために、ランドユース構成を、各チャンネルがPOIのカテゴリであり、エントリの値がPOIの数である経度勾配チャネルテンソルとして定義する。 その目的は、計画外の領域に対してそのようなテンソルを自動的に生成できる、敵対的学習フレームワークを提案することである。 特に,まず,地理的・人的移動度データを用いて空間グラフから表現を学習することで,未計画領域の周辺領域の文脈を特徴付ける。 第2に、各未計画領域とその周囲の文脈表現をタプルとして結合し、すべてのタプルを正(よく計画された領域)と負のサンプル(しばしば計画された領域)に分類する。 第3に,周囲の文脈表現を生成器に供給して土地利用構成を生成し,判別者が正と負のサンプルを区別することを学ぶ,敵対的土地利用構成手法を開発する。

関連論文リスト

• Neural MP: A Generalist Neural Motion Planner [75.82675575009077]
  運動計画問題にデータ駆動学習を大規模に適用することで,これを実現する。 提案手法は, シミュレーションの複雑なシーンを多数構築し, モーションプランナーから専門家のデータを収集し, 反応的なジェネラリストポリシーに抽出する。 我々は,4つの異なる環境における64の動作計画タスクについて,その方法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2024-09-09T17:59:45Z)
• Dual-stage Flows-based Generative Modeling for Traceable Urban Planning [33.03616838528995]
  本稿では,正規化フローに基づく新しい生成フレームワーク,すなわちDual-stage Urban Flowsフレームワークを提案する。 我々は、機能ゾーン間の関係を捉え、異なる側面の情報を融合するために、情報融合モジュールを使用します。 我々の枠組みは、都市計画作業における他の生成モデルよりも優れる。
  論文  参考訳（メタデータ） (2023-10-03T21:49:49Z)
• Embodied Task Planning with Large Language Models [86.63533340293361]
  本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。 推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。 実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T17:58:25Z)
• Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning [57.91323079939641]
  我々は,最適な都市計画を生成するために,人間に指示された新しい深層階層生成モデルを構築した。 最初の段階は、機能ゾーンを発見するために、目標領域の格子に遅延関数をラベル付けすることである。 第2の段階は、都市機能投影を形成するための計画要件を理解することである。 第3の段階は、マルチアテンションを活用して、機能プロジェクションのゾーン・ゾーン・ピア依存関係をモデル化し、グリッドレベルの土地利用構成を生成することである。
  論文  参考訳（メタデータ） (2022-12-01T23:06:41Z)
• Automated Urban Planning aware Spatial Hierarchies and Human Instructions [33.06221365923015]
  本稿では,GAN(Generative Adversarial Network)に基づく都市プランナを提案する。 GANは人間の指示や周囲の文脈からの情報に基づいて都市機能ゾーンを構築する。 作業の有効性を検証するため、広範な実験を行います。
  論文  参考訳（メタデータ） (2022-09-26T20:37:02Z)
• Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation [30.48671788567521]
  都市計画とは、ある地域に与えられた土地利用形態を設計することを指す。 効果的な都市計画を得るためには、都市の専門家は高度に計画された制約を分析するのに多くの時間と労力を費やす必要がある。 我々は、都市自動計画問題を深層学習の課題に定式化する。
  論文  参考訳（メタデータ） (2021-12-26T00:59:35Z)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)
• Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning [30.614010268762115]
  都市計画は土地利用形態を設計し、居住可能で持続可能で安全なコミュニティの構築に役立てることができる。 画像生成にインスパイアされた深層都市計画は、深層学習を活用して土地利用構成を生成することを目的としている。 本稿では, 上記の課題を共同で解決するための, 深層都市計画手法について検討する。
  論文  参考訳（メタデータ） (2021-10-12T15:45:38Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
  Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。 Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。 1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T17:52:23Z)

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。