論文の概要: FastFlow: AI for Fast Urban Wind Velocity Prediction
- arxiv url: http://arxiv.org/abs/2211.12035v1
- Date: Tue, 22 Nov 2022 06:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:39:42.027076
- Title: FastFlow: AI for Fast Urban Wind Velocity Prediction
- Title（参考訳）: FastFlow: 高速都市風速予測のためのAI
- Authors: Shi Jer Low, Venugopalan, S.G. Raghavan, Harish Gopalan, Jian Cheng
Wong, Justin Yeoh, Chin Chun Ooi
- Abstract要約: 高忠実度数値シミュレーションにより典型的に行われる都市レイアウトのキャラクタリゼーションにおけるCNNの利用について述べる。
このモデルを,データ駆動型歩行者風速予測のための実用性の最初の実証に応用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven approaches, including deep learning, have shown great promise as
surrogate models across many domains. These extend to various areas in
sustainability. An interesting direction for which data-driven methods have not
been applied much yet is in the quick quantitative evaluation of urban layouts
for planning and design. In particular, urban designs typically involve complex
trade-offs between multiple objectives, including limits on urban build-up
and/or consideration of urban heat island effect. Hence, it can be beneficial
to urban planners to have a fast surrogate model to predict urban
characteristics of a hypothetical layout, e.g. pedestrian-level wind velocity,
without having to run computationally expensive and time-consuming
high-fidelity numerical simulations. This fast surrogate can then be
potentially integrated into other design optimization frameworks, including
generative models or other gradient-based methods. Here we present the use of
CNNs for urban layout characterization that is typically done via high-fidelity
numerical simulation. We further apply this model towards a first demonstration
of its utility for data-driven pedestrian-level wind velocity prediction. The
data set in this work comprises results from high-fidelity numerical
simulations of wind velocities for a diverse set of realistic urban layouts,
based on randomized samples from a real-world, highly built-up urban city. We
then provide prediction results obtained from the trained CNN, demonstrating
test errors of under 0.1 m/s for previously unseen urban layouts. We further
illustrate how this can be useful for purposes such as rapid evaluation of
pedestrian wind velocity for a potential new layout. It is hoped that this data
set will further accelerate research in data-driven urban AI, even as our
baseline model facilitates quantitative comparison to future methods.
- Abstract（参考訳）: ディープラーニングを含むデータ駆動アプローチは、多くのドメインにまたがるモデルの代理として大きな可能性を秘めています。
これらは持続可能性の様々な領域にまたがる。
データ駆動手法がまだあまり適用されていない興味深い方向は、都市計画と設計のための都市レイアウトの迅速な定量的評価である。
特に、都市デザインは、都市構築の制限や都市ヒートアイランド効果の考慮を含む、複数の目的の間の複雑なトレードオフを含む。
したがって、都市プランナーは、計算コストや時間を要する高忠実度数値シミュレーションを使わずに、仮想的なレイアウト(例えば歩行者レベルの風速)の都市特性を予測できる高速サーロゲートモデルを持つことが有益である。
この高速サロゲートは、生成モデルや他の勾配に基づくメソッドを含む、他の設計最適化フレームワークに統合される可能性がある。
本稿では,高忠実度数値シミュレーションによる都市配置のキャラクタリゼーションにおけるcnnの利用について述べる。
さらに,このモデルを,データ駆動型歩行者レベル風速予測における有用性の最初の実証に適用する。
本研究のデータセットは,実世界の高度に構築された都市からのランダム化サンプルに基づいて,多様な都市レイアウトの風速の高忠実な数値シミュレーションから得られた。
次に、トレーニングされたCNNから得られた予測結果を示し、これまで見つからなかった都市レイアウトに対する0.1m/s以下のテスト誤差を示す。
さらに, 歩行者の風速の迅速評価や, 歩行者の風速の迅速評価などの目的に, どのように役立つかを示す。
このデータセットは、将来の方法との定量的比較を促進するベースラインモデルであっても、データ駆動型都市aiの研究をさらに加速することが期待されます。
関連論文リスト
- OpenCity: Open Spatio-Temporal Foundation Models for Traffic Prediction [29.514461050436932]
多様なデータ特性から、基盤となる見えない時間パターンを効果的にキャプチャし、正規化できる、OpenCityという新しい基盤モデルを導入する。
OpenCityはTransformerアーキテクチャとグラフニューラルネットワークを統合して、トラフィックデータの複雑な時間依存性をモデル化する。
実験の結果、OpenCityは例外的なゼロショット性能を示した。
論文 参考訳（メタデータ） (2024-08-16T15:20:36Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - UrbanGPT: Spatio-Temporal Large Language Models [34.79169613947957]
本稿では,時空間エンコーダと命令調整パラダイムをシームレスに統合するUrbanPTを提案する。
我々は、様々な公開データセットに対して広範囲な実験を行い、異なる時間的予測タスクをカバーした。
結果は、慎重に設計されたアーキテクチャを持つUrbanPTが、最先端のベースラインを一貫して上回っていることを一貫して示しています。
論文 参考訳（メタデータ） (2024-02-25T12:37:29Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Towards predicting Pedestrian Evacuation Time and Density from
Floorplans using a Vision Transformer [0.0]
本研究では,視覚変換器をベースとした深層学習手法を提案する。
具体的には、公開データセットの可用性が限られているため、従来のシミュレータを含むパラメトリックデータ生成パイプラインを実装している。
これにより、アーキテクチャのトレーニングに使用する大規模な合成データセットを構築することができます。
論文 参考訳（メタデータ） (2023-06-27T09:15:52Z) - LibCity: A Unified Library Towards Efficient and Comprehensive Urban
Spatial-Temporal Prediction [74.08181247675095]
既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。
我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
論文 参考訳（メタデータ） (2023-04-27T17:19:26Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Generative methods for Urban design and rapid solution space exploration [13.222198221605701]
本研究では,テンソル場に基づく都市モデルツールキットの実装について紹介する。
提案手法は,ウォーターフロントエッジ,地形,ビュー軸,既存道路,ランドマーク,非幾何学的設計入力などのコンテキスト制約を符号化する。
これによりユーザーは、モデル入力がほとんどない現実世界の都市に似た、多様な都市ファブリック構成を作成できる。
論文 参考訳（メタデータ） (2022-12-13T17:58:02Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - Traffic Modelling and Prediction via Symbolic Regression on Road Sensor
Data [0.8602553195689513]
本稿では,ラグ演算子により強化されたシンボル回帰に基づく,新しいかつ正確な交通流予測手法を提案する。
提案手法は都市道路の複雑度に適したロバストモデルであり,高速道路よりも予測が困難である。
論文 参考訳（メタデータ） (2020-02-14T16:03:04Z)
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。