論文の概要: gtfs2vec -- Learning GTFS Embeddings for comparing Public Transport Offer in Microregions

• arxiv url: http://arxiv.org/abs/2111.00960v2
• Date: Tue, 2 Nov 2021 22:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 11:28:45.060568
• Title: gtfs2vec -- Learning GTFS Embeddings for comparing Public Transport Offer in Microregions
• Title（参考訳）: gtfs2vec -- マイクロリージョンにおける公共交通提供の比較のためのGTFS埋め込みの学習
• Authors: Piotr Gramacki, Szymon Wo\'zniak, Piotr Szyma\'nski
• Abstract要約: 欧州48都市を選択し、GTFSフォーマットで公共交通機関の時刻表を収集しました。 各地域における公共交通機関の可利用量と多様さを記述した機能を作成しました。 次に、同様の領域を特定するために階層的クラスタリングアプローチを使用しました。
• 参考スコア（独自算出の注目度）: 8.24748878314036
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We selected 48 European cities and gathered their public transport timetables in the GTFS format. We utilized Uber's H3 spatial index to divide each city into hexagonal micro-regions. Based on the timetables data we created certain features describing the quantity and variety of public transport availability in each region. Next, we trained an auto-associative deep neural network to embed each of the regions. Having such prepared representations, we then used a hierarchical clustering approach to identify similar regions. To do so, we utilized an agglomerative clustering algorithm with a euclidean distance between regions and Ward's method to minimize in-cluster variance. Finally, we analyzed the obtained clusters at different levels to identify some number of clusters that qualitatively describe public transport availability. We showed that our typology matches the characteristics of analyzed cities and allows succesful searching for areas with similar public transport schedule characteristics.
• Abstract（参考訳）: 欧州48都市を選定し,公共交通機関の時刻表をgtfs形式で収集した。 UberのH3空間指数を用いて、各都市を六角形に分割した。 時刻表データに基づいて、各地域における公共交通機関の可用性の量と多様性を記述する特定の機能を作成しました。 次に、各領域を埋め込むための自己連想型ディープニューラルネットワークを訓練した。 このような表現を準備した上で,階層的クラスタリングアプローチを用いて類似領域を識別した。 そこで我々は,領域間のユークリッド距離を持つ凝集クラスタリングアルゴリズムとウォード法を用いてクラスタ内分散を最小化した。 最後に、得られたクラスタを異なるレベルで分析し、公共交通機関の可用性を質的に記述するいくつかのクラスタを特定した。 本研究は, 分析都市の特徴と一致し, 公共交通機関のスケジュール特性に類似した地域を検索できることを示した。

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)
• 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)
• highway2vec -- representing OpenStreetMap microregions with respect to their road network characteristics [3.5960954499553512]
  本稿では,道路インフラストラクチャ特性に関するマイクロリージョンの埋め込みを生成する手法を提案する。 私たちは、いくつかの都市のOpenStreetMapロードネットワークをベースとしています。 地図六角形が道路網にどの程度近いかを検出するベクトル表現を得た。
  論文  参考訳（メタデータ） (2023-04-26T23:16:18Z)
• Semantic Segmentation by Early Region Proxy [53.594035639400616]
  本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。 領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。 現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
  論文  参考訳（メタデータ） (2022-03-26T10:48:32Z)
• STICC: A multivariate spatial clustering method for repeated geographic pattern discovery with consideration of spatial contiguity [7.376428009531946]
  理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。 既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。 本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T20:58:06Z)
• Unsupervised embedding and similarity detection of microregions using public transport schedules [0.0]
  この論文は、公共交通機関の可用性情報をベクトル空間に埋め込む方法を開発した。 欧州48都市から公共交通機関の時刻表が収集された。 公共交通機関に類似した特徴を持つ地域を特定する手法も提案した。
  論文  参考訳（メタデータ） (2021-11-03T11:56:48Z)
• Hex2vec -- Context-Aware Embedding H3 Hexagons with OpenStreetMap Tags [9.743315439284407]
  都市機能と土地利用に関する地域ベクトル表現をマイクロエリアグリッドで学習するための最初のアプローチを提案する。 土地利用, 建築, 都市域の機能, 水の種類, 緑その他の自然地域の主な特徴に関連するOpenStreetMapタグのサブセットを同定する。 結果として得られるベクトル表現は、ベクトルベースの言語モデルに見られるものと同様、地図特性のセマンティック構造を示す。
  論文  参考訳（メタデータ） (2021-11-01T14:22:53Z)
• 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)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• LRC-Net: Learning Discriminative Features on Point Clouds by Encoding Local Region Contexts [65.79931333193016]
  本稿では,LRC-Net(Local-Region-Context Network)を提案する。 LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。 その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2020-03-18T14:34:08Z)
• Adaptive Region-Based Active Learning [57.78835999208091]
  入力空間を有限個の領域に適応的に分割する新しい能動学習アルゴリズムを提案する。 本稿では,アルゴリズムの一般化誤差とラベル複雑性の両立を理論的に保証する。 いくつかの実世界のデータセットに対する広範な実験結果について報告する。
  論文  参考訳（メタデータ） (2020-02-18T03:16:36Z)

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。