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
- HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。
非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。
得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
論文 参考訳（メタデータ） (2024-09-05T23:50:57Z) - Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。
オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。
モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
論文 参考訳（メタデータ） (2024-05-24T02:04:10Z) - Human Mobility in the Metaverse [0.03072340427031969]
通勤コストの欠如にもかかわらず、新しい場所を探索する個人は時間が経つにつれて減少することがわかった。
また, 土地価格と来訪の相関関係の欠如が, 物理的世界を特徴付けるパターンから逸脱していることも見いだした。
我々のメタモビリティネットワークの特徴を予測する能力は、人間の移動を規定する法則が人間の力学の基本パターンに根ざしていることを示唆している。
論文 参考訳（メタデータ） (2024-04-03T21:26:40Z) - Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。
提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,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) - 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。