論文の概要: DeepStreet: A deep learning powered urban street network generation
module
- arxiv url: http://arxiv.org/abs/2010.04365v1
- Date: Fri, 9 Oct 2020 04:27:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 04:30:49.708610
- Title: DeepStreet: A deep learning powered urban street network generation
module
- Title(参考訳): DeepStreet: ディープラーニングによる都市路面ネットワーク生成モジュール
- Authors: Zhou Fang, Tianren Yang, Ying Jin
- Abstract要約: 本研究では,街路網の自動生成のための新しいディープラーニング方式DeepStreet(DS)を提案する。
DSはCNN(Convolutional Neural Network)によって駆動される。
その結果,(1)バルセロナの複雑な街路パターンの検知と自己クラスタ化が可能であること,(2)格子状と不規則な街路ネットワークの両方を予測できることがわかった。
- 参考スコア(独自算出の注目度): 5.9511351322709904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In countries experiencing unprecedented waves of urbanization, there is a
need for rapid and high quality urban street design. Our study presents a novel
deep learning powered approach, DeepStreet (DS), for automatic street network
generation that can be applied to the urban street design with local
characteristics. DS is driven by a Convolutional Neural Network (CNN) that
enables the interpolation of streets based on the areas of immediate vicinity.
Specifically, the CNN is firstly trained to detect, recognize and capture the
local features as well as the patterns of the existing street network sourced
from the OpenStreetMap. With the trained CNN, DS is able to predict street
networks' future expansion patterns within the predefined region conditioned on
its surrounding street networks. To test the performance of DS, we apply it to
an area in and around the Eixample area in the City of Barcelona, a well known
example in the fields of urban and transport planning with iconic grid like
street networks in the centre and irregular road alignments farther afield. The
results show that DS can (1) detect and self cluster different types of complex
street patterns in Barcelona; (2) predict both gridiron and irregular street
and road networks. DS proves to have a great potential as a novel tool for
designers to efficiently design the urban street network that well maintains
the consistency across the existing and newly generated urban street network.
Furthermore, the generated networks can serve as a benchmark to guide the local
plan-making especially in rapidly developing cities.
- Abstract(参考訳): 前例のない都市化の波を経験した国では、高速で高品質な街路設計が必要である。
本研究は,都市の街路設計に局所的な特徴を応用可能な,街路網の自動生成のための新しい深層学習型アプローチであるDeepStreet(DS)を提案する。
DSは畳み込みニューラルネットワーク(CNN)によって駆動され、近辺のエリアに基づいて道路の補間を可能にする。
具体的には、CNNはまず、OpenStreetMapからソースされた既存のストリートネットワークのパターンだけでなく、ローカルな特徴を検出し、認識し、キャプチャするように訓練されている。
訓練されたcnnにより、dsは周辺のストリートネットワークで条件付けられた事前定義された領域におけるストリートネットワークの将来の拡張パターンを予測できる。
本研究は,バルセロナ市アイサンプレ地区の周辺地域を対象として,中心市街地の街路網や不規則道路アライメントといった象徴的なグリッドを用いた都市交通計画の例である。
その結果,(1)バルセロナの複雑な街路パターンの検知と自己クラスタ化が可能であること,(2)格子状と不規則な街路ネットワークの両方を予測できることがわかった。
dsは、既存の街路網と新しく生成された街路網の一貫性を保ちながら、都市路網を効率的に設計するための新しいツールとして大きな可能性を秘めている。
さらに、生成したネットワークは、特に急速に発展している都市において、地域計画策定の指針となる。
関連論文リスト
- MetroGNN: Metro Network Expansion with Reinforcement Learning [29.418145526587313]
都市の異種マルチグラフにおけるマルコフ決定プロセスに対処するための強化学習フレームワークを提案する。
このアプローチでは,グラフニューラルネットワークが取得した情報に基づいて,インテリジェントにノードを選択する,注意型ポリシネットワークを採用している。
論文 参考訳(メタデータ) (2024-03-14T09:09:15Z) - Complexity-aware Large Scale Origin-Destination Network Generation via
Diffusion Model [24.582615553841396]
Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。
本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
論文 参考訳(メタデータ) (2023-06-08T02:02:55Z) - Graph representation learning for street networks [0.0]
ストリートネットワークは、私たちの都市における異なる時間的および出現に関する貴重な情報ソースを提供する。
これまでの研究では、学習アルゴリズムによって元のデータの表現が作成できることが示されている。
本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。
論文 参考訳(メタデータ) (2022-11-09T16:02:28Z) - Extracting Spatial Interaction Patterns between Urban Road Networks and
Mixed Functions [4.198538504785438]
ある地域の機能が混ざり合っているほど、その活力が増す可能性がある。
本研究は,道路ネットワークの構造の度合いが高いほど,関数の集約を惹きつける可能性が高くなることを示す。
また、地方レベルの多様化が都市機能の収集に役立つことも明らかにした。
論文 参考訳(メタデータ) (2022-11-03T01:41:46Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳(メタデータ) (2022-10-31T20:12:17Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer
Learning in Gridded Geo-Spatial Processes [61.16854022482186]
NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。
U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。
コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
論文 参考訳(メタデータ) (2022-03-31T14:40:01Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z) - Inductive Representation Learning in Temporal Networks via Causal
Anonymous Walks [51.79552974355547]
テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。
時間的ネットワークを誘導的に表現するCausal Anonymous Walks(CAW)を提案する。
CAWは時間的ランダムウォークによって抽出され、時間的ネットワークモチーフの自動検索として機能する。
論文 参考訳(メタデータ) (2021-01-15T05:47:26Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-23T03:50:46Z) - Transfer Learning with Graph Neural Networks for Short-Term Highway
Traffic Forecasting [1.7009370112134283]
Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。
高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。
TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
論文 参考訳(メタデータ) (2020-04-17T02:29:42Z)
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。