論文の概要: Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook
- arxiv url: http://arxiv.org/abs/2402.19348v2
- Date: Sun, 16 Jun 2024 10:16:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 05:46:37.708327
- Title: Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook
- Title（参考訳）: 都市コンピューティングにおけるクロスドメインデータ融合のための深層学習 : 分類学、進歩、展望
- Authors: Xingchen Zou, Yibo Yan, Xixuan Hao, Yuehong Hu, Haomin Wen, Erdong Liu, Junbo Zhang, Yong Li, Tianrui Li, Yu Zheng, Yuxuan Liang,
- Abstract要約: 本稿では,都市コンピューティングに適した深層学習に基づくデータ融合手法の最近の進歩を体系的にレビューする最初の調査を提案する。
提案手法は,特徴ベース,アライメントベース,コントラストベース,生成ベース融合の4つのカテゴリに分類される。
さらに, 都市計画, 交通, 経済, 公共安全, 社会, 環境, エネルギーの7つのタイプに分類した。
- 参考スコア（独自算出の注目度）: 28.103555959143645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As cities continue to burgeon, Urban Computing emerges as a pivotal discipline for sustainable development by harnessing the power of cross-domain data fusion from diverse sources (e.g., geographical, traffic, social media, and environmental data) and modalities (e.g., spatio-temporal, visual, and textual modalities). Recently, we are witnessing a rising trend that utilizes various deep-learning methods to facilitate cross-domain data fusion in smart cities. To this end, we propose the first survey that systematically reviews the latest advancements in deep learning-based data fusion methods tailored for urban computing. Specifically, we first delve into data perspective to comprehend the role of each modality and data source. Secondly, we classify the methodology into four primary categories: feature-based, alignment-based, contrast-based, and generation-based fusion methods. Thirdly, we further categorize multi-modal urban applications into seven types: urban planning, transportation, economy, public safety, society, environment, and energy. Compared with previous surveys, we focus more on the synergy of deep learning methods with urban computing applications. Furthermore, we shed light on the interplay between Large Language Models (LLMs) and urban computing, postulating future research directions that could revolutionize the field. We firmly believe that the taxonomy, progress, and prospects delineated in our survey stand poised to significantly enrich the research community. The summary of the comprehensive and up-to-date paper list can be found at https://github.com/yoshall/Awesome-Multimodal-Urban-Computing.
- Abstract（参考訳）: 都市が成長を続けるにつれて、都市コンピューティングは、さまざまなソース(地理的、交通、ソーシャルメディア、環境データ)とモダリティ(時空間、視覚、テキストなど)からのクロスドメインデータ融合の力を活用することで、持続可能な開発のための重要な分野として現れます。
近年,スマートシティにおけるドメイン間データ融合を促進するために,様々な深層学習手法が利用されつつある傾向がみられている。
そこで本稿では,都市コンピューティングに適した深層学習に基づくデータ融合手法の最近の進歩を体系的にレビューする,最初の調査を提案する。
具体的には、まずデータパースペクティブを掘り下げて、各モーダリティとデータソースの役割を理解する。
次に,提案手法を特徴ベース,アライメントベース,コントラストベース,生成ベース融合の4つのカテゴリに分類する。
第3に, 都市計画, 交通, 経済, 公共安全, 社会, 環境, エネルギーの7つのタイプに分類される。
従来の調査と比較して,都市コンピューティングアプリケーションとディープラーニング手法の相乗効果に注目する。
さらに,Large Language Models (LLMs) と都市コンピューティングの相互作用に光を当て,この分野に革命をもたらす可能性のある今後の研究方向を示唆した。
我々は,我々の調査で明らかにされた分類,進歩,展望が,研究コミュニティを著しく豊かにする可能性があると強く信じている。
包括的で最新のペーパーリストの要約はhttps://github.com/yoshall/Awesome-Multimodal-Urban-Computingで見ることができる。
関連論文リスト
- Continual Learning for Smart City: A Survey [20.248023419047847]
継続的学習(CL)は、変化する環境に適応するためにモデルを常に更新する、新しい機械学習パラダイムである。
本調査は,スマートシティ開発に広く用いられている継続的学習手法の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2024-04-01T07:59:29Z) - A Survey of Route Recommendations: Methods, Applications, and Opportunities [20.248023419047847]
本調査は、都市コンピューティングに基づくルートレコメンデーション業務の総合的なレビューを提供する。
従来の機械学習と最新のディープラーニングの手法を多数分類する。
本稿では,都市コンピューティングのシナリオにおける経路変換に関する新しい応用を多数提示する。
論文 参考訳（メタデータ） (2024-03-01T05:04:00Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。
我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
論文 参考訳（メタデータ） (2023-11-12T06:32:30Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Vision+X: A Survey on Multimodal Learning in the Light of Data [64.03266872103835]
様々なソースからのデータを組み込んだマルチモーダル機械学習が,ますます普及している研究分野となっている。
我々は、視覚、音声、テキスト、動きなど、各データフォーマットの共通点と特異点を分析する。
本稿では,表現学習と下流アプリケーションレベルの両方から,マルチモーダル学習に関する既存の文献を考察する。
論文 参考訳（メタデータ） (2022-10-05T13:14:57Z) - CityNet: A Comprehensive Multi-Modal Urban Dataset for Advanced Research in Urban Computing [1.9774168196078137]
我々は,7つの都市からのさまざまなデータを組み込んだマルチモーダル都市データセットであるCityNetを紹介する。
我々はCityNetの利用を促進するために、広範なデータマイニングと機械学習の実験を行っている。
論文 参考訳（メタデータ） (2021-06-30T04:05:51Z) - From Symbols to Embeddings: A Tale of Two Representations in
Computational Social Science [77.5409807529667]
コンピュータ社会科学(CSS)の研究は、データ駆動型であり、オンラインのユーザ生成コンテンツやソーシャルネットワークの可用性から大きな恩恵を受けている。
回答を探るため、テキストとネットワークの両方でCSSのデータ表現を徹底的にレビューする。
以上の表現の応用は、CSSに関連する6つのトップ会場から400以上の研究論文を調査した結果に基づく。
論文 参考訳（メタデータ） (2021-06-27T11:04:44Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z)
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。