論文の概要: Predicting the Location of Bicycle-sharing Stations using OpenStreetMap Data

• arxiv url: http://arxiv.org/abs/2111.01722v1
• Date: Tue, 2 Nov 2021 16:44:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 14:17:19.425086
• Title: Predicting the Location of Bicycle-sharing Stations using OpenStreetMap Data
• Title（参考訳）: OpenStreetMapデータによる自転車共有ステーションの位置推定
• Authors: Kamil Raczycki
• Abstract要約: 本論文は,空間埋め込み手法を用いて,そのような計画のプロセスを効率化し,促進する新しい手法を提案する。 OpenStreetMapの公開データとヨーロッパの34都市からの駅レイアウトに基づいて、都市をマイクロリージョンに分割する手法が開発されている。 この作業の結果は、駅レイアウトを基準都市の選択で計画する際の意思決定において、プランナーを支援するメカニズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Planning the layout of bicycle-sharing stations is a complex process, especially in cities where bicycle sharing systems are just being implemented. Urban planners often have to make a lot of estimates based on both publicly available data and privately provided data from the administration and then use the Location-Allocation model popular in the field. Many municipalities in smaller cities may have difficulty hiring specialists to carry out such planning. This thesis proposes a new solution to streamline and facilitate the process of such planning by using spatial embedding methods. Based only on publicly available data from OpenStreetMap, and station layouts from 34 cities in Europe, a method has been developed to divide cities into micro-regions using the Uber H3 discrete global grid system and to indicate regions where it is worth placing a station based on existing systems in different cities using transfer learning. The result of the work is a mechanism to support planners in their decision making when planning a station layout with a choice of reference cities.
• Abstract（参考訳）: 自転車共有局の配置は、特に自転車共有システムが実装されている都市では複雑なプロセスである。 都市計画者は、公的に利用可能なデータと行政から私的に提供されたデータの両方に基づいて多くの見積もりをし、現場で人気のあるロケーション・アロケーション・モデルを使う必要がある。 小さな都市の多くの自治体は、そのような計画を実行するために専門家を雇うのが難しい可能性がある。 本論文は,空間埋め込み手法を用いて,計画の合理化とプロセスを容易にする新しい手法を提案する。 openstreetmapの公開データとヨーロッパの34都市からの駅配置のみに基づいて、uber h3離散グローバルグリッドシステムを使用して都市をマイクロリージョンに分割し、トランスファーラーニングを使用して、異なる都市の既存のシステムに基づいて駅を配置する価値のある地域を示す方法が開発されている。 この作業の結果は、駅レイアウトを基準都市の選択で計画する際の意思決定においてプランナーを支援するメカニズムである。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• OpenUAS: Embeddings of Cities in Japan with Anchor Data for Cross-city Analysis of Area Usage Patterns [0.9530591903982806]
  このデータセットは、市場分析、都市計画、交通インフラ、感染予測といった分野における地域機能の分析に有用である。 オフィス地区や住宅地区など市内各地区の特徴を、埋設技術を用いて捉えている。 本研究では,このアンカーデータセットを,日本の8大都市において,複数の期間の領域埋め込みデータセットとともに公開する。
  論文  参考訳（メタデータ） (2024-07-29T10:43:15Z)
• Deep trip generation with graph neural networks for bike sharing system expansion [7.737133861503814]
  マルチソース都市構築環境データに基づく駅レベルの需要予測のためのグラフニューラルネットワーク(GNN)手法を提案する。 提案手法は空間回帰モデルとして,空間回帰とGNNの共通性を示す。
  論文  参考訳（メタデータ） (2023-03-20T16:43:41Z)
• 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 Detection of Missing Links in Bicycle Networks [0.15293427903448023]
  我々は,都市の自転車ネットワークにおいて最も重要なリンクを見つけるためのIPDC手順(Identify, Prioritize, Decluster, Classify)を開発した。 まず、多重化ネットワークアプローチによるすべての可能なギャップを特定し、フローベースのメトリックに従って優先順位付けし、新たなギャップクラスタを分解し、手動でギャップのタイプを分類する。 以上の結果から,最小データ要件によるネットワーク分析が,自転車ネットワーク計画の費用効率向上支援ツールとして有効であることを示す。
  論文  参考訳（メタデータ） (2022-01-10T15:35:14Z)
• 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)
• Transfer Learning Approach to Bicycle-sharing Systems' Station Location Planning using OpenStreetMap Data [4.869953137750582]
  本稿では,空間埋め込み手法を用いて,計画の合理化と効率化を図るための新しい手法を提案する。 OpenStreetMapの公開データとヨーロッパの34都市からの駅レイアウトに基づいて、都市をマイクロリージョンに分割する手法が開発されている。
  論文  参考訳（メタデータ） (2021-11-01T14:56:49Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network [79.61517670541863]
  Dockless Public Bicycle-share (DL-PBS)ネットワークは多くの国でますます人気が高まっています。 冗長で低電力の駅は、DL-PBSベンダーの公共都市空間とメンテナンスコストを無駄にします。 DL-PBSネットワークに最適な自転車ステーションレイアウトを動的に提供できるよう、BSDP(自転車ステーションダイナミックプランニング)システムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T02:51:12Z)
• Towards Dynamic Urban Bike Usage Prediction for Station Network Reconfiguration [7.5640951518267165]
  AtCoRと呼ばれる自転車ステーションレベルの予測アルゴリズムは、既存のステーションと新しいステーションの両方で自転車の使用率を予測することができる。 AtCoRは、既存のステーションと将来のステーションの両方の予測において、ベースラインと最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2020-08-13T23:41:29Z)
• Real-time Localization Using Radio Maps [59.17191114000146]
  パスロスに基づく簡易かつ効果的なローカライゼーション法を提案する。 提案手法では, 受信した信号強度を, 既知の位置を持つ基地局の集合から報告する。
  論文  参考訳（メタデータ） (2020-06-09T16:51:17Z)

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。