論文の概要: Quantifying spatial homogeneity of urban road networks via graph neural networks

• arxiv url: http://arxiv.org/abs/2101.00307v1
• Date: Fri, 1 Jan 2021 19:45:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 11:04:48.590585
• Title: Quantifying spatial homogeneity of urban road networks via graph neural networks
• Title（参考訳）: グラフニューラルネットワークによる都市道路網の空間的均質性の定量化
• Authors: Jiawei Xue, Nan Jiang, Senwei Liang, Qiyuan Pang, Satish V. Ukkusuri, Jianzhu Ma
• Abstract要約: 都市道路ネットワーク(URN)の空間均質性は、各異なるコンポーネントがネットワーク全体と類似しているかどうかを測定します。 グラフニューラルネットワークを使用して、世界中の30都市で11,790のURNサンプルをモデル化し、その予測可能性を使用して空間均質を定義します。
• 参考スコア（独自算出の注目度）: 12.875369866362327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The spatial homogeneity of an urban road network (URN) measures whether each distinct component is analogous to the whole network and can serve as a quantitative manner bridging network structure and dynamics. However, given the complexity of cities, it is challenging to quantify spatial homogeneity simply based on conventional network statistics. In this work, we use Graph Neural Networks to model the 11,790 URN samples across 30 cities worldwide and use its predictability to define the spatial homogeneity. The proposed measurement can be viewed as a non-linear integration of multiple geometric properties, such as degree, betweenness, road network type, and a strong indicator of mixed socio-economic events, such as GDP and population growth. City clusters derived from transferring spatial homogeneity can be interpreted well by continental urbanization histories. We expect this novel metric supports various subsequent tasks in transportation, urban planning, and geography.
• Abstract（参考訳）: 都市道路網(urn)の空間的均質性は、それぞれの異なる構成要素がネットワーク全体と類似しているかどうかを測定し、ネットワーク構造とダイナミクスを定量的に橋渡しする役割を果たすことができる。 しかし、都市の複雑さを考えると、従来のネットワーク統計に基づく空間的均一性を定量化することは困難である。 本研究では, グラフニューラルネットワークを用いて, 世界30都市にまたがる11,790個のurnサンプルをモデル化し, その予測可能性を用いて空間的均質性を定義する。 提案手法は, 程度, 間隙性, 道路網タイプ, GDPや人口増加といった混在する社会経済現象の強い指標など, 複数種類の幾何学的特性の非線形統合とみなすことができる。 空間的均質性から導かれた都市クラスターは、大陸都市化史によってよく解釈できる。 この新しい指標は、交通、都市計画、地理におけるその後の様々なタスクをサポートすることを期待する。

関連論文リスト

• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Spatial Heterophily Aware Graph Neural Networks [35.95622680895503]
  グラフニューラルネットワーク(GNN)は、都市を都市グラフとして定式化し、そのノードは、地域や関心点のような都市オブジェクトである。 近年,接続ノードが異なるヘテロフィリーグラフに対処するために,いくつかの拡張GNNアーキテクチャが開発されている。 しかし、都市グラフは通常、独特の空間的ヘテロフィリーな性質を持つことが観察され、つまり、異なる空間的距離の隣人の相似性は大きな多様性を示す。 我々は空間的多様性スコア(Spatial Diversity Score)と呼ばれるメトリクスを提案し、空間的ヘテロフィリを定量的に測定し、それがGNNの性能に与える影響を示す。
  論文  参考訳（メタデータ） (2023-06-21T09:35:50Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
  都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。 ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2022-02-18T04:59:20Z)
• Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities [7.148078723492643]
  都市部の異質性を利用したニューラルネットワーク(GNN)を提案する。 アメリカ合衆国の16大都市圏において,何百万もの携帯電話利用者による大規模高解像度モビリティデータセットを用いて,都市部コンポーネント間の複雑な関係をエンコードしていることを示す。 異なる郡で訓練されたモデルによって生成された埋め込みは、他の郡における創発的空間構造の50%から60%を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-10-24T07:13:14Z)
• 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)
• 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)
• Detecting Communities in Heterogeneous Multi-Relational Networks:A Message Passing based Approach [89.19237792558687]
  コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。 我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-06T17:36:24Z)
• Entropy as a measure of attractiveness and socioeconomic complexity in Rio de Janeiro metropolitan area [52.77024349608834]
  携帯電話のデータセットとエントロピーに基づく測度を用いて、位置の魅力を測定する。 その結果、エントロピーによって測定された特定の位置の魅力は、その位置の社会経済的地位の重要な記述者であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T15:58:56Z)

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。