論文の概要: An End-to-end Point of Interest (POI) Conflation Framework

• arxiv url: http://arxiv.org/abs/2109.06073v1
• Date: Mon, 13 Sep 2021 15:50:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 21:03:36.562199
• Title: An End-to-end Point of Interest (POI) Conflation Framework
• Title（参考訳）: 関心の終端点(POI)相関フレームワーク
• Authors: Raymond Low, Zeynep D. Tekler and Lynette Cheah
• Abstract要約: ポイント・オブ・関心(POI)データは、興味のある場所に関する意味情報の貴重な情報源として機能する。 本研究では,6段階からなる新しいエンドツーエンドのPOI Conflationフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.966840768820136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point of interest (POI) data serves as a valuable source of semantic information for places of interest and has many geospatial applications in real estate, transportation, and urban planning. With the availability of different data sources, POI conflation serves as a valuable technique for enriching data quality and coverage by merging the POI data from multiple sources. This study proposes a novel end-to-end POI conflation framework consisting of six steps, starting with data procurement, schema standardisation, taxonomy mapping, POI matching, POI unification, and data verification. The feasibility of the proposed framework was demonstrated in a case study conducted in the eastern region of Singapore, where the POI data from five data sources was conflated to form a unified POI dataset. Based on the evaluation conducted, the resulting unified dataset was found to be more comprehensive and complete than any of the five POI data sources alone. Furthermore, the proposed approach for identifying POI matches between different data sources outperformed all baseline approaches with a matching accuracy of 97.6% with an average run time below 3 minutes when matching over 12,000 POIs to result in 8,699 unique POIs, thereby demonstrating the framework's scalability for large scale implementation in dense urban contexts.
• Abstract（参考訳）: ポイント・オブ・関心(POI)データは、興味のある場所に関する意味情報の貴重な情報源であり、不動産、交通、都市計画に多くの地理空間的応用がある。 異なるデータソースが利用可能になったことで、POI Conflationは、複数のソースからPOIデータをマージすることで、データ品質とカバレッジを向上するための貴重なテクニックとなります。 本研究では,データ調達,スキーマ標準化,分類学マッピング,POIマッチング,POI統一,データ検証の6段階からなる,新しいエンドツーエンドのPOI統合フレームワークを提案する。 提案手法の有効性は,シンガポール東部で実施されたケーススタディで実証され,5つのデータソースからのPOIデータを混在させて統合されたPOIデータセットを構築した。 評価の結果,得られた統一データセットは5つのpoiデータソースのどれよりも包括的かつ完全であることが判明した。 さらに、異なるデータソース間のPOIマッチングを識別する手法は、12,000 POIを8,699個のユニークなPOIとマッチングした場合の平均実行時間を3分以下で97.6%の精度で比較し、高密度都市環境における大規模実装のためのフレームワークのスケーラビリティを実証した。

関連論文リスト

• Semantic Trajectory Data Mining with LLM-Informed POI Classification [11.90100976089832]
  セマンティック情報を用いた人旅行トラジェクトリマイニングのための新しいパイプラインを提案する。 提案手法は,POI分類において93.4%の精度,96.1%のF-1スコア,91.7%の精度,92.3%のF-1スコアを活性推論で達成する。
  論文  参考訳（メタデータ） (2024-05-20T01:29:45Z)
• Towards Effective Next POI Prediction: Spatial and Semantic Augmentation with Remote Sensing Data [10.968721742000653]
  本稿では,2段階予測フレームワークにおける効果的なディープラーニング手法を提案する。 本手法は,まずリモートセンシングデータを組み込んで,重要な環境状況の把握を行う。 本研究では,利用者の歴史的トラジェクトリに対するQR-Pグラフを構築し,歴史的旅行知識をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-22T04:22:36Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Conflating point of interest (POI) data: A systematic review of matching methods [5.439489511940086]
  関心のポイント(POI)データは、現実世界の場所のデジタル表現を提供する。 多くのPOIデータセットが開発されており、地理的カバレッジ、属性フォーカス、データ品質が異なることが多い。 研究者は、研究領域の場所をよりよく表現するために、2つ以上のPOIデータセットを分割する必要があるかもしれない。
  論文  参考訳（メタデータ） (2023-10-23T19:38:31Z)
• Revisiting Link Prediction: A Data Perspective [59.296773787387224]
  グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。 既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。 我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
  論文  参考訳（メタデータ） (2023-10-01T21:09:59Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Detecting Fake Points of Interest from Location Data [0.0]
  提案した研究は、教師付き学習手法と、位置情報に基づくデータに隠されたパターンを見つける能力に焦点を当てている。 目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。 提案手法は従来の分類法, 頑健で最近のディープニューラル法と比較される。
  論文  参考訳（メタデータ） (2021-11-11T00:39:02Z)
• Mining Points of Interest via Address Embeddings: An Unsupervised Approach [0.7646713951724009]
  アドレス位置とアドレステキストから関心点(PoI)のポリゴン表現を得るためのエンドツーエンドの教師なしシステム設計を提案する。 提案アルゴリズムは, 中央値の精度98 %, 中央値のリコール8 %, 中央値のFスコア0.15を達成する。
  論文  参考訳（メタデータ） (2021-09-09T17:59:45Z)

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。