論文の概要: OMOD: An open-source tool for creating disaggregated mobility demand
based on OpenStreetMap
- arxiv url: http://arxiv.org/abs/2309.06927v1
- Date: Wed, 13 Sep 2023 12:56:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 14:20:48.032816
- Title: OMOD: An open-source tool for creating disaggregated mobility demand
based on OpenStreetMap
- Title(参考訳): OMOD: OpenStreetMapに基づいた非集約型モビリティ需要を作成するオープンソースツール
- Authors: Leo Strobel, Marco Pruckner
- Abstract要約: 我々はOpenStreetMap Mobility Demand Generator (OMOD)を紹介した。
OMODは、エージェントの集団を作り、各エージェントが行う予定の行動、場所、およびどれくらいの期間を記述した詳細な日々の活動スケジュールを作成する。
本稿は,OMODの建築を概説し,人口20万人から250万人までの3都市を対象としたモデルを検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we introduce the OpenStreetMap Mobility Demand Generator
(OMOD), a new open-source activity-based mobility demand generation tool. OMOD
creates a population of agents and detailed daily activity schedules that state
what activities each agent plans to conduct, where, and for how long. The
temporal aspect of the output is wholly disaggregated, while the spatial aspect
is given on the level of individual buildings. In contrast to other existing
models, OMOD is freely available, open-source, works out-of-the-box, can be
applied to any region on earth, and only requires freely available
OpenStreetMap (OSM) data from the user. With OMOD, it is easy for non-experts
to create realistic mobility demand, which can be used in transportation
studies, energy system modeling, communications system research, et cetera.
OMOD uses a data-driven approach to generate mobility demand that has been
calibrated with household travel survey data. This paper describes OMOD's
architecture and validates the model for three cities ranging from 200,000 to
2.5 million inhabitants.
- Abstract(参考訳): 本稿では,オープンソースのアクティビティベースのモビリティ要求生成ツールであるopenstreetmap mobility demand generator (omod)について紹介する。
OMODは、エージェントの集団を作り、各エージェントが行う予定の行動、場所、およびどれくらいの期間を記述した詳細な日々の活動スケジュールを作成する。
出力の時間的側面は完全に分離され、空間的側面は個々の建物のレベルに与えられる。
他の既存のモデルとは対照的に、OMODは無償でオープンソースで公開されており、アウト・オブ・ザ・ボックスで動作し、地球上のどのリージョンにも適用可能である。
OMODでは、非専門家が現実的なモビリティ需要を創出しやすく、輸送研究、エネルギーシステムモデリング、通信システム研究などに利用することができる。
OMODはデータ駆動方式を用いて、家庭旅行調査データと調整された移動需要を生成する。
本稿は,OMODの建築を概説し,人口20万人から250万人までの3都市を対象としたモデルを検証した。
関連論文リスト
- Forging Vision Foundation Models for Autonomous Driving: Challenges,
Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。
総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。
本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文 参考訳(メタデータ) (2024-01-16T01:57:24Z) - City Foundation Models for Learning General Purpose Representations from
OpenStreetMap [17.577683270277173]
本稿では,都市のような選択された地理的関心領域における基礎モデルをトレーニングするためのフレームワークであるCityFMを紹介する。
CityFMはOpenStreetMapからのオープンデータにのみ依存し、異なるタイプのエンティティ、空間、視覚、およびテキスト情報のマルチモーダル表現を生成する。
すべての実験において、CityFMはベースラインに匹敵する、あるいは同等のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-10-01T05:55:30Z) - Chatmap : Large Language Model Interaction with Cartographic Data [0.0]
OpenStreetMap(OSM)は、都市部と農村部の詳細な地理データを提供する、最も野心的なオープンソースグローバルイニシアチブである。
本研究では,比較的小規模(1Bパラメータ)の大規模言語モデル(LLM)を,より有能な教師モデルによってキュレートされた比較的小さな人工データセットを用いて微調整するプロセスの概念と詳細を実証する。
この研究は、このような生成的人工知能(AI)適応のための最初のガイドラインを提供し、この文脈で有用な新興能力の早期の兆候を示すことを目的としている。
論文 参考訳(メタデータ) (2023-09-28T15:32:36Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳(メタデータ) (2023-07-05T18:16:30Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
論文 参考訳(メタデータ) (2022-11-15T15:07:45Z) - Guaranteed Discovery of Controllable Latent States with Multi-Step
Inverse Models [51.754160866582005]
エージェント制御可能な状態探索アルゴリズム(AC-State)
アルゴリズムは多段階の逆モデル(遠方の観測から行動を予測する)と情報ボトルネックから構成される。
本稿では,3つの領域において制御可能な潜伏状態の発見を実証する。ロボットアームの局所化,他のエージェントとともに迷路を探索し,Matterportハウスシミュレーターをナビゲートする。
論文 参考訳(メタデータ) (2022-07-17T17:06:52Z) - 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) - Interpretable Data-Driven Demand Modelling for On-Demand Transit
Services [6.982614422666432]
本研究では,DAレベルにおけるオンデマンド交通(ODT)サービスのための旅行・流通モデルを開発した。
その結果, 商業・工業用地利用型と高密度住宅用地利用型との間には, より高い旅行分布レベルが期待できることがわかった。
論文 参考訳(メタデータ) (2020-10-27T20:48:10Z) - OpenStreetMap: Challenges and Opportunities in Machine Learning and
Remote Sensing [66.23463054467653]
本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。
私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
論文 参考訳(メタデータ) (2020-07-13T09:58:14Z) - DAG-Net: Double Attentive Graph Neural Network for Trajectory
Forecasting [31.77814227034554]
本稿では,単一エージェントの将来の目標と異なるエージェント間の相互作用を考慮に入れた新たな反復生成モデルを提案する。
このモデルは、二重注意に基づくグラフニューラルネットワークを利用して、異なるエージェント間の相互影響に関する情報を収集する。
提案手法は,都市環境とスポーツの両分野において,最先端の成果を得られるモデルである。
論文 参考訳(メタデータ) (2020-05-26T12:34:20Z)
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。