論文の概要: Numerisation D'un Siecle de Paysage Ferroviaire Fran\c{c}ais : recul du
rail, cons\'equences territoriales et co\^ut environnemental
- arxiv url: http://arxiv.org/abs/2111.03433v1
- Date: Tue, 5 Oct 2021 14:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 10:09:54.831423
- Title: Numerisation D'un Siecle de Paysage Ferroviaire Fran\c{c}ais : recul du
rail, cons\'equences territoriales et co\^ut environnemental
- Title（参考訳）: 鉄道・鉄道・鉄道・鉄道と環境
- Authors: Robert Jeansoulin (LIGM)
- Abstract要約: この研究は、いくつかの公共地理的データ(SNCF, IGN)の融合によるものである。
データセットは、ほぼすべての鉄道駅(単純な停車駅でも)と鉄道支線で構成される。
すべての鉄道路線には日付(または近似)があり、時間進化を表示することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The reconstruction of geographical data over a century, allows to figuring
out the evolution of the French railway landscape, and how it has been impacted
by major events (eg.: WWII), or longer time span processes : industry
outsourcing, metropolization, public transport policies or absence of them.
This work is resulting from the fusion of several public geographical data
(SNCF, IGN), enriched with the computer-assisted addition of multiple data
gathered on the Internet (Wikipedia, volunteer geographic information). The
dataset compounds almost every rail stations (even simple stops) and railway
branch nodes, whose link to their respective rail lines allows to build the
underlying consistent graph of the network. Every rail line has a "valid to"
date (or approx) so that time evolution can be displayed. The present progress
of that reconstruction sums up to roughly 90% of what is expected (exact total
unknown). This allows to consider temporal demographic analysis (how many
cities and towns served by the railway since 1925 up on today), and
environmental simulations as well (CO2 cost by given destination ).
- Abstract（参考訳）: 1世紀にわたる地理的データの再構築により、フランスの鉄道景観の進化と、それが主要な出来事(例えば第二次世界大戦)や、産業のアウトソーシング、メトロゾル化、公共交通政策、あるいはそれらの欠如によってどのように影響されたかを理解することができる。
この研究は、インターネット上に集められた複数のデータ(ウィキペディア、ボランティア地理情報)をコンピュータ支援で追加することで、いくつかの公共地理データ(SNCF, IGN)の融合から生まれた。
データセットは、ほぼすべての鉄道駅(単純な停車駅でも)と鉄道支線ノードを合成し、それぞれの鉄道路線へのリンクは、ネットワークの基盤となる一貫したグラフを構築することができる。
すべての鉄道路線には日付(または近似)があり、時間進化を表示することができる。
この復元の現在の進展は、予想されているものの約90%にまで達している(例:総じて不明)。
これにより、時間的人口統計分析(1925年から今日までの鉄道によって提供される都市や町の数)や環境シミュレーション(目的地ごとのco2コスト)も検討できる。
関連論文リスト
- TPE-Net: Track Point Extraction and Association Network for Rail Path
Proposal Generation [1.9181913148426697]
本稿では,TPE-Netと呼ばれる畳み込み型エンコーダデコーダアーキテクチャを提案する。
カメラパラメータや3Dデータ、幾何学的制約に依存することなく、強力な鉄道経路仮説を生成する。
論文 参考訳（メタデータ） (2023-02-11T22:49:06Z) - On Designing Day Ahead and Same Day Ridership Level Prediction Models
for City-Scale Transit Networks Using Noisy APC Data [0.0]
本稿では,複数のソースからのデータの収集,クリーン化,処理,マージを併用して,トランジットライダーシップの予測に機械学習モデルをトレーニングする手法を提案する。
ナッシュビルの公共交通機関が提供している現実の交通データに対する我々のアプローチを評価する。
論文 参考訳（メタデータ） (2022-10-10T19:50:59Z) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane
Markings [54.298482823211806]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳（メタデータ） (2022-07-28T12:29:39Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳（メタデータ） (2022-05-27T12:46:52Z) - 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) - Transformers \`a Grande Vitesse [0.09208007322096534]
本研究の目的は,鉄道区間における列車の走行時間を,鉄道網全体の規模でリアルタイムに予測することである。
提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
論文 参考訳（メタデータ） (2021-05-18T13:43:18Z) - 4Seasons: A Cross-Season Dataset for Multi-Weather SLAM in Autonomous
Driving [48.588254700810474]
本稿では,自律運転における季節的・挑戦的な知覚条件をカバーする新しいデータセットを提案する。
その中には、視覚計測、グローバルな位置認識、マップベースの再位置追跡などが含まれる。
論文 参考訳（メタデータ） (2020-09-14T12:31:20Z) - 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) - FRSign: A Large-Scale Traffic Light Dataset for Autonomous Trains [0.6850683267295248]
鉄道交通信号の検出と認識のための大規模かつ正確なデータセットFRSignを紹介した。
私たちの録音は、フランスで選択された列車で行われ、手書きの注釈から恩恵を受けました。
これまでに取得したデータの10%に相当するイラストレーションデータセットをオープンソースとして公開している。
論文 参考訳（メタデータ） (2020-02-05T15:08:15Z) - Physical-Virtual Collaboration Modeling for Intra-and Inter-Station
Metro Ridership Prediction [116.66657468425645]
本研究では,複雑なライダーシップパターンをテーラー設計グラフから効果的に学習できる物理仮想協調グラフネットワーク(PVCGN)を提案する。
特に、物理グラフは、研究されたメトロシステムの現実的なトポロジーに基づいて直接構築される。
類似度グラフと相関グラフを仮想トポロジで構築し, 駅間交通流の類似度と相関関係を導出する。
論文 参考訳（メタデータ） (2020-01-14T16:47:54Z)
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。