論文の概要: CrowdWeb: A Visualization Tool for Mobility Patterns in Smart Cities
- arxiv url: http://arxiv.org/abs/2305.12935v1
- Date: Mon, 22 May 2023 11:30:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 16:31:49.028294
- Title: CrowdWeb: A Visualization Tool for Mobility Patterns in Smart Cities
- Title(参考訳): CrowdWeb:スマートシティにおけるモビリティパターンの可視化ツール
- Authors: Yisheng Alison Zheng, Abdallah Lakhdari, Amani Abusafia, Shing Tai
Tony Lui, Athman Bouguettaya
- Abstract要約: 現在の移動予測モデルの精度は25%未満である。
人間の移動パターンを可視化するWebプラットフォームを提案する。
我々はこのプラットフォームを拡張し、都市規模の観点から複数のユーザのモビリティを可視化する。
- 参考スコア(独自算出の注目度): 0.39373541926236766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human mobility patterns refer to the regularities and trends in the way
people move, travel, or navigate through different geographical locations over
time. Detecting human mobility patterns is essential for a variety of
applications, including smart cities, transportation management, and disaster
response. The accuracy of current mobility prediction models is less than 25%.
The low accuracy is mainly due to the fluid nature of human movement.
Typically, humans do not adhere to rigid patterns in their daily activities,
making it difficult to identify hidden regularities in their data. To address
this issue, we proposed a web platform to visualize human mobility patterns by
abstracting the locations into a set of places to detect more realistic
patterns. However, the platform was initially designed to detect individual
mobility patterns, making it unsuitable for representing the crowd in a smart
city scale. Therefore, we extend the platform to visualize the mobility of
multiple users from a city-scale perspective. Our platform allows users to
visualize a graph of visited places based on their historical records using a
modified PrefixSpan approach. Additionally, the platform synchronizes,
aggregates, and displays crowd mobility patterns across various time intervals
within a smart city. We showcase our platform using a real dataset.
- Abstract(参考訳): 人間の移動パターンは、人々が時間とともに異なる地理的場所を移動、旅行、移動する方法の規則性と傾向を指す。
スマートシティや交通管理,災害対応など,さまざまなアプリケーションにおいて,人間の移動パターンの検出が不可欠である。
現在の移動予測モデルの精度は25%未満である。
低い精度は、主に人間の動きの流動性に起因する。
通常、人間は日々の活動において厳格なパターンに固執せず、データの隠れた正規性を特定するのが困難である。
この問題に対処するために,我々は,場所を複数の場所に抽象化してより現実的なパターンを検出することにより,人間の移動パターンを可視化するwebプラットフォームを提案した。
しかし、プラットフォームは当初、個々のモビリティパターンを検出するように設計されており、スマートシティスケールでの群衆の表現には適していない。
そこで我々は,都市規模の観点から,複数のユーザのモビリティを可視化するためにプラットフォームを拡張した。
我々のプラットフォームでは,変更したPrefixSpanアプローチを用いて,過去の記録に基づいて訪問場所のグラフを可視化することができる。
さらに、スマートシティ内の様々な時間間隔で、群衆の移動パターンを同期させ、集約し、表示する。
実際のデータセットを使ってプラットフォームを紹介します。
関連論文リスト
- Social-Transmotion: Promptable Human Trajectory Prediction [70.59399670794171]
ソーシャルトランスモーション(Social-Transmotion)は、トランスフォーマーのパワーを利用して、多種多様な視覚的手がかりを扱う汎用モデルである。
提案手法は,JTA,JRDB,道路交通の歩行者・自転車,ETH-UCYなど,複数のデータセットで検証されている。
論文 参考訳(メタデータ) (2023-12-26T18:56:49Z) - 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) - A generalized vector-field framework for mobility [0.0]
本稿では,任意の種類の移動に有効な個人軌跡から始まる一般ベクトル場表現を提案する。
個人の選挙が運動場のメソスコピック特性をどのように決定するかを示す。
筆者らのフレームワークは, メソスコピックな都市移動において, 隠れ対称性を捉えるための重要なツールである。
論文 参考訳(メタデータ) (2023-09-04T07:50:08Z) - Learning Navigational Visual Representations with Semantic Map
Supervision [85.91625020847358]
エージェントの自我中心のビューとセマンティックマップを対比してナビゲーション固有の視覚表現学習法を提案する。
Ego$2$-Map学習は、オブジェクト、構造、遷移などのコンパクトでリッチな情報を、ナビゲーションのためのエージェントのエゴセントリックな表現に転送する。
論文 参考訳(メタデータ) (2023-07-23T14:01:05Z) - Clustering and Analysis of GPS Trajectory Data using Distance-based
Features [20.91019606657394]
そこで我々は,新たなモビリティ指標であるDaily Characteristics Distanceを提案する。
次に、これらの機能を教師なしの機械学習手法、$k$-meansクラスタリングで使用し、各タイプのユーザ(WorkdayとOffday)に対して3つのクラスタを取得する。
本稿では,クラスタリング結果,すなわちユーザ共通性と平均周波数の分析のための2つの新しい指標を提案する。
論文 参考訳(メタデータ) (2022-12-01T01:25:49Z) - IMAP: Individual huMAn mobility Patterns visualizing platform [0.39373541926236766]
ユーザのモビリティパターンを予測する既存のモデルの精度は25%以下である。
本研究では,人間の移動パターンを研究・分析し,その柔軟性を捉える新しい視点を提案する。
我々のプラットフォームは、利用者が訪れた場所の履歴に基づいてグラフを視覚化することを可能にする。
論文 参考訳(メタデータ) (2022-09-08T07:43:54Z) - Mobility signatures: a tool for characterizing cities using intercity
mobility flows [1.1602089225841632]
我々は、より広い移動ネットワークに都市がどのように埋め込まれているかを理解するためのツールとして、モビリティシグネチャを紹介した。
フィンランドの携帯電話ベースのデータに基づいて構築された2つのアプリケーションによるモビリティシグネチャ手法の可能性を示す。
論文 参考訳(メタデータ) (2021-12-03T08:53:58Z) - Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual
Observations [75.60524561611008]
この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。
まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。
本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
論文 参考訳(メタデータ) (2021-09-28T20:25:10Z) - A Data-Driven Analytical Framework of Estimating Multimodal Travel
Demand Patterns using Mobile Device Location Data [5.902556437760098]
本稿では,スマートフォンの位置データからマルチモーダル旅行需要パターンを抽出するデータ駆動分析フレームワークを提案する。
トラベルモードインプテーションのための訓練された単層モデルとディープニューラルネットワークを開発した。
この枠組みは、近隣の鉄道、地下鉄、高速道路、バス路線への交通ルートの近接性を評価するためにマルチモーダル交通網も組み込んでいる。
論文 参考訳(メタデータ) (2020-12-08T22:49:44Z) - Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。
まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。
このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
論文 参考訳(メタデータ) (2020-08-19T23:19:08Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
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。