論文の概要: Modelling daily mobility using mobile data traffic at fine spatiotemporal scale

• arxiv url: http://arxiv.org/abs/2311.09683v1
• Date: Thu, 16 Nov 2023 08:52:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 15:33:18.304375
• Title: Modelling daily mobility using mobile data traffic at fine spatiotemporal scale
• Title（参考訳）: モバイルデータトラヒックを用いた時空間スケールでの日々のモビリティのモデル化
• Authors: Panayotis Christidis, Maria Vega Gonzalo, Miklos Radics
• Abstract要約: 都市環境におけるモビリティパターンのモデル化において,NetMob 2023データセットのユーザビリティにデータ駆動型アプローチを適用した。 このデータとENACTデータセットを組み合わせ、1km×1kmのグリッドで、ヨーロッパ全土の昼夜の人口を推定した。 我々は,NetMob2023で使用されている100m x 100mのグリッドセルの人口を,データセットでカバーされた68のオンラインサービスのモバイルデータトラフィックに基づいて予測する3つのXGBoostモデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We applied a data-driven approach that explores the usability of the NetMob 2023 dataset in modelling mobility patterns within an urban context. We combined the data with a highly suitable external source, the ENACT dataset, which provides a 1 km x 1km grid with estimates of the day and night population across Europe. We developed three sets of XGBoost models that predict the population in each 100m x 100m grid cell used in NetMob2023 based on the mobile data traffic of the 68 online services covered in the dataset, using the ENACT values as ground truth. The results suggest that the NetMob 2023 data can be useful for the estimation of the day and night population and grid cell level and can explain part of the dynamics of urban mobility.
• Abstract（参考訳）: 我々は,都市環境におけるモビリティ・パターンのモデル化において,netmob 2023データセットの利用性を検討するデータ駆動アプローチを適用した。 このデータと、ヨーロッパ中の昼夜人口を推定する1km×1kmのグリッドを提供する、非常に適した外部ソースであるenactデータセットを組み合わせる。 NetMob2023で使用される100m x 100mのグリッドセルの人口を,ENACT値を用いて,データセットでカバーされた68のオンラインサービスのモバイルデータトラフィックに基づいて予測する3つのXGBoostモデルを開発した。 以上の結果から,NetMob 2023のデータは昼夜の人口とグリッドセルレベルの推定に有用であり,都市移動のダイナミクスの一部を説明できる可能性が示唆された。

関連論文リスト

• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• GenAD: Generalized Predictive Model for Autonomous Driving [75.39517472462089]
  本稿では,自動運転分野における最初の大規模ビデオ予測モデルを紹介する。 我々のモデルはGenADと呼ばれ、新しい時間的推論ブロックでシーンを駆動する際の挑戦的なダイナミクスを扱う。 アクション条件付き予測モデルやモーションプランナーに適応することができ、現実世界の運転アプリケーションに大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-03-14T17:58:33Z)
• 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)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• Metropolitan Segment Traffic Speeds from Massive Floating Car Data in 10 Cities [9.072777719721902]
  10都市における大規模浮動車データ(MeTS-10)による街路ごとの交通情報,メトロポリタンセグメンメント交通速度の大規模浮動車データセット(MeTS-10)を提案する。 MeTS-10は、2019-2021年に108日から361日間、大都市圏あたり1500平方キロメートル以上をカバーした15分間のコレクション期間の10都市で利用可能である。
  論文  参考訳（メタデータ） (2023-02-17T08:56:07Z)
• 5G Long-Term and Large-Scale Mobile Traffic Forecasting [0.0]
  我々は、異なる大都市圏に設置された14,000以上の細胞からトラフィックパターンを抽出し、シミュレートする。 提案したモデルは,31週間以上の都市で収集された実世界の5Gモバイルトラフィックデータセットを用いてテストされている。
  論文  参考訳（メタデータ） (2022-12-21T09:26:33Z)
• Smart Journey in Istanbul: A Mobile Application in Smart Cities for Traffic Estimation by Harnessing Time Series [0.0]
  提案した研究の主目的は、交通密度データを用いて、イスタンブールの交通渋滞予測にAIを活用した新しいモバイルアプリケーションを提供することである。 予測モデル上でのシミュレーション結果の解析は,MAPE,MAE,RMSEなどの性能指標に基づいて検討する。 開発した交通予報プロトタイプは,市民の日常利用に適したモバイルアプリケーションの出発点として期待されている。
  論文  参考訳（メタデータ） (2022-12-13T12:10:52Z)
• Traffic4cast at NeurIPS 2021 -- Temporal and Spatial Few-Shot Transfer Learning in Gridded Geo-Spatial Processes [61.16854022482186]
  NeurIPS 2019と2020のIARAI Traffic4castコンペティションでは、ニューラルネットワークが将来の交通条件を1時間以内に予測することに成功した。 U-Netsは、この複雑な現実世界の地理空間的プロセスにおいて、関連する特徴を抽出する能力を実証し、勝利したアーキテクチャであることが証明された。 コンペティションは2年間で10都市をカバーし、1012以上のGPSプローブデータから収集したデータを提供する。
  論文  参考訳（メタデータ） (2022-03-31T14:40:01Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Large Scale Interactive Motion Forecasting for Autonomous Driving : The Waymo Open Motion Dataset [84.3946567650148]
  10万枚以上のシーンが10Hzで20秒に渡り、私たちの新しいデータセットには1750kmの道路上の570時間以上のユニークなデータが含まれています。 高精度な3d自動ラベルシステムを用いて,道路エージェント毎に高品質な3dバウンディングボックスを生成する。 シングルエージェントとジョイントエージェントの相互作用運動予測モデルの両方を総合的に評価する新しいメトリクスセットを紹介します。
  論文  参考訳（メタデータ） (2021-04-20T17:19:05Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)

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。