Fugu-MT 論文翻訳(概要): Using maps to predict economic activity

論文の概要: Using maps to predict economic activity

arxiv url: http://arxiv.org/abs/2112.13850v1
Date: Mon, 27 Dec 2021 14:13:20 GMT
ステータス: 処理完了
システム内更新日: 2021-12-31 08:42:19.175006
Title: Using maps to predict economic activity
Title（参考訳）: 地図による経済活動の予測
Authors: Imryoung Jeong and Hyunjoo Yang
Abstract要約: 経済統計を体系的に予測するために,歴史地図と現代地図を活用する新しい機械学習手法を導入する。我々の単純なアルゴリズムは, 色組成に基づいて, 地図から有意義な特徴を抽出する。本手法によるグリッドレベルの個体群予測は,従来のCNNによる生の地図画像による予測よりも優れていた。
参考スコア（独自算出の注目度）: 0.8460698440162889
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a novel machine learning approach to leverage historical and contemporary maps to systematically predict economic statistics. Remote sensing data have been used as reliable proxies for local economic activity. However, they have only become available in recent years, thus limiting their applicability for long-term analysis. Historical maps, on the other hand, date back several decades. Our simple algorithm extracts meaningful features from the maps based on their color compositions. The grid-level population predictions by our approach outperform the conventional CNN-based predictions using raw map images. It also predicts population better than other approaches using night light satellite images or land cover classifications as the input for predictions.
Abstract（参考訳）: 本稿では,歴史地図と現代地図を用いて経済統計を体系的に予測する新しい機械学習手法を提案する。リモートセンシングデータは、地域経済活動の信頼できるプロキシとして使われてきた。しかし、これらは近年しか利用できないため、長期的な分析の適用性は制限されている。一方、歴史地図は数十年前に遡る。簡単なアルゴリズムでは,色組成に基づいて地図から意味のある特徴を抽出する。本手法によるグリッドレベルの人口予測は,従来のCNNによる生地図画像による予測よりも優れていた。また、夜間衛星画像や土地被覆分類を入力として、他のアプローチよりも人口を予測している。

関連論文リスト

MapEx: Indoor Structure Exploration with Probabilistic Information Gain from Global Map Predictions [6.420382919565209]
我々は、しばしば予測可能で繰り返しパターンから構成される、構造化された屋内環境を探索するロボットに焦点を当てる。近年の研究では、深層学習技術を用いて地図の未知領域を予測し、これらの予測を情報ゲイン計算に利用している。本研究では,予測地図を用いて情報ゲイン推定のための確率的センサモデルを構築する新しい探索フレームワークであるMapExを紹介する。
論文参考訳（メタデータ） (2024-09-23T22:48:04Z)
Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。 2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
論文参考訳（メタデータ） (2024-04-03T23:38:31Z)
Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
論文参考訳（メタデータ） (2024-01-12T14:56:45Z)
Enhancing Mapless Trajectory Prediction through Knowledge Distillation [19.626383744807068]
ハイデフィニションマップ(HDマップ)は、アノテーションの高コストや、広く使われることを制限する法律の制限に悩まされる可能性がある。本稿では,マルチモーダルな予測軌道の整合性と実際の道路トポロジの整合性を改善する問題に取り組む。我々の解は、一般的な軌道予測ネットワークに対して一般化可能であり、余分な計算負担を伴わない。
論文参考訳（メタデータ） (2023-06-25T09:05:48Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
LOPR: Latent Occupancy PRediction using Generative Models [49.15687400958916]
LiDARの生成した占有グリッドマップ(L-OGM)は、頑丈な鳥の視線シーンを表現している。本稿では,学習空間内での表現学習と予測という,占有率予測を分離する枠組みを提案する。
論文参考訳（メタデータ） (2022-10-03T22:04:00Z)
Towards Measuring Bias in Image Classification [61.802949761385]
畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
論文参考訳（メタデータ） (2021-07-01T10:50:39Z)
SLPC: a VRNN-based approach for stochastic lidar prediction and completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。 VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文参考訳（メタデータ） (2021-02-19T11:56:44Z)
A Comparison of Statistical and Machine Learning Algorithms for Predicting Rents in the San Francisco Bay Area [0.0]
本稿では,予測精度を重要視するユースケースについて述べるとともに,ランダムな森林回帰を複数の回帰と比較する。我々は、ほぼ局所的なアクセシビリティ変数を用いて、両方のモデルから有用な予測を得られることを発見した。
論文参考訳（メタデータ） (2020-11-26T08:50:45Z)
BusTime: Which is the Right Prediction Model for My Bus Arrival Time? [3.1761486589684975]
本稿では, このギャップを補うために, 広く用いられている予測モデルを解析するための汎用的, 実用的な評価枠組みを提案する。特に、このフレームワークには、入力データポイントをはるかに少なくする生のバスGPSデータ前処理方法が含まれている。また,都市マネジャーに対して,一般的な予測モデルのトレーニングおよび予測段階における実践的強みと弱みを分析し,予備的な結果を提示する。
論文参考訳（メタデータ） (2020-03-20T17:03:36Z)
Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。