論文の概要: OMOD: An open-source tool for creating disaggregated mobility demand based on OpenStreetMap

• arxiv url: http://arxiv.org/abs/2309.06927v2
• Date: Fri, 15 Sep 2023 13:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 11:38:44.921201
• 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

• Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
  モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。 近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。 これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-04T11:50:58Z)
• AgentMove: Predicting Human Mobility Anywhere Using Large Language Model based Agentic Framework [7.007450097312181]
  本稿では,世界中の都市において,汎用的な移動予測を実現するためのエージェント予測フレームワークであるAgentMoveを紹介する。 AgentMoveでは、まず移動予測タスクを3つのサブタスクに分解し、それに対応するモジュールを設計してこれらのサブタスクを完成させる。 12都市の2つの情報源によるモビリティデータの実験では、AgentMoveはさまざまな指標において8%以上で最高のベースラインを達成している。
  論文  参考訳（メタデータ） (2024-08-26T02:36:55Z)
• 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)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• 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)
• 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 [16.09047066527081]
  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)
• 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)
• 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)

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。