論文の概要: Worldwide city transport typology prediction with sentence-BERT based
supervised learning via Wikipedia
- arxiv url: http://arxiv.org/abs/2204.05193v1
- Date: Tue, 29 Mar 2022 00:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-17 07:05:14.304564
- Title: Worldwide city transport typology prediction with sentence-BERT based
supervised learning via Wikipedia
- Title（参考訳）: 文BERTに基づくウィキペディアによる世界規模の都市交通型予測
- Authors: Srushti Rath and Joseph Y.J. Chow
- Abstract要約: 世界の人口の大半は都市部や都市に住んでいる。
市の類型学を理解する価値はあるものの、ラベル付きデータ(都市とその類型学)は乏しい。
ウィキペディアのページにある情報をもとに,都市の類型を予測するための教師付き機械学習手法を提案する。
- 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: An overwhelming majority of the world's human population lives in urban areas
and cities. Understanding a city's transportation typology is immensely
valuable for planners and policy makers whose decisions can potentially impact
millions of city residents. Despite the value of understanding a city's
typology, labeled data (city and it's typology) is scarce, and spans at most a
few hundred cities in the current transportation literature. To break this
barrier, we propose a supervised machine learning approach to predict a city's
typology given the information in its Wikipedia page. Our method leverages
recent breakthroughs in natural language processing, namely sentence-BERT, and
shows how the text-based information from Wikipedia can be effectively used as
a data source for city typology prediction tasks that can be applied to over
2000 cities worldwide. We propose a novel method for low-dimensional city
representation using a city's Wikipedia page, which makes supervised learning
of city typology labels tractable even with a few hundred labeled samples.
These features are used with labeled city samples to train binary classifiers
(logistic regression) for four different city typologies: (i) congestion, (ii)
auto-heavy, (iii) transit-heavy, and (iv) bike-friendly cities resulting in
reasonably high AUC scores of 0.87, 0.86, 0.61 and 0.94 respectively. Our
approach provides sufficient flexibility for incorporating additional variables
in the city typology models and can be applied to study other city typologies
as well. Our findings can assist a diverse group of stakeholders in
transportation and urban planning fields, and opens up new opportunities for
using text-based information from Wikipedia (or similar platforms) as data
sources in such fields.
- Abstract（参考訳）: 世界の人口の圧倒的多数が都市部や都市に住んでいる。
都市の交通のタイプを理解することは、何百万人もの都市住民に影響を及ぼす可能性があるプランナーや政策立案者にとって非常に価値がある。
市の類型学を理解する価値はあるものの、ラベル付きデータ(都市とその類型学)は乏しく、現在の交通文献では少なくとも数百都市にまたがっている。
そこで,この障壁を克服するために,ウィキペディアのページにおいて,都市型を予測するための教師付き機械学習手法を提案する。
本手法は,近年の自然言語処理,すなわち文BERTの進歩を利用して,ウィキペディアからのテキストベースの情報を,世界中の2000以上の都市に適用可能な都市型予測タスクのデータソースとして有効に活用する方法を示す。
そこで本研究では, 数百個のラベル付きサンプルを用いても, 都市タイポロジーラベルの教師あり学習を可能にするwikipediaページを用いた低次元都市表現手法を提案する。
これらの特徴は、4つの異なる都市型についてバイナリ分類器(論理回帰)を訓練するためにラベル付き都市サンプルと共に使用される。
渋滞; 混雑; 混雑; 混雑
(二)オートヘビー
(三)トランジットヘビー、及び
(4)自転車フレンドリーな都市では,AUCスコアが0.87,0.86,0.61,0.94であった。
本手法は,都市型学モデルに追加変数を組み込むための十分な柔軟性を提供し,他の都市型学にも適用可能である。
交通・都市計画分野の多様な利害関係者を支援するとともに、wikipedia(または同様のプラットフォーム)からテキストベースの情報をその分野のデータソースとして利用するための新たな機会を開拓する。
関連論文リスト
- StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。
提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。
このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
論文 参考訳（メタデータ） (2024-11-19T05:15:19Z) - Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。
我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。
提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-27T03:30:01Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - 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) - GANs for Urban Design [0.0]
本論文で検討されたトピックは、都市ブロックの設計にGenerative Adversarial Networksを応用することである。
この研究は、都市の形態学的特性に適応できる柔軟なモデルを提示する。
論文 参考訳（メタデータ） (2021-05-04T19:50:24Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - End-to-end Interpretable Neural Motion Planner [78.69295676456085]
複雑な都市環境での自律走行学習のためのニューラルモーションプランナー(NMP)を提案する。
我々は,生lidarデータとhdマップを入力とし,解釈可能な中間表現を生成する全体モデルを設計した。
北米のいくつかの都市で収集された実世界の運転データにおける我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2021-01-17T14:16:12Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - City limits in the age of smartphones and urban scaling [0.0]
都市計画は、都市システム全体にわたる都市境界を定義するための適切な基準をまだ欠いている。
ICTは、都市システムのより正確な記述を記述する可能性を提供する。
都市境界を定義するため,大量の携帯電話記録に計算手法を適用した。
論文 参考訳（メタデータ） (2020-05-06T17:31:21Z) - Measuring Spatial Subdivisions in Urban Mobility with Mobile Phone Data [58.720142291102135]
2050年までに世界の人口の3分の2が都市部に住んでいる。
この成長は、都市が持続可能性を測定し計画する能力よりも速く、より複雑である。
都市がなぜ包括的になるのかを理解するために,空間分割を識別し特徴付ける手法を定義する。
論文 参考訳（メタデータ） (2020-02-20T14:37:46Z) - Urban2Vec: Incorporating Street View Imagery and POIs for Multi-Modal
Urban Neighborhood Embedding [8.396746290518102]
Urban2Vecは、ストリートビューイメージと関心のポイントデータの両方を組み込んだ、教師なしマルチモーダルフレームワークである。
我々は,Urban2Vecがベースラインモデルよりも優れた性能を実現し,下流予測タスクにおける完全教師付き手法に匹敵する性能を示す。
論文 参考訳（メタデータ） (2020-01-29T21:30:53Z)
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。