論文の概要: District Vitality Index Using Machine Learning Methods for Urban Planners

• arxiv url: http://arxiv.org/abs/2503.01878v1
• Date: Wed, 26 Feb 2025 16:17:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:52.195456
• Title: District Vitality Index Using Machine Learning Methods for Urban Planners
• Title（参考訳）: 都市プランナーのための機械学習手法を用いた地域ビタリティ指数
• Authors: Sylvain Marcoux, Jean-Sébastien Dessureault,
• Abstract要約: カレントビタリティ指数と長期ビタリティ指数が提案されている。 ミスデータはK-Nearest Neighborsの計算によって処理される。 ランダムフォレストは最も信頼性が高く重要な特徴を特定するために使用されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: City leaders face critical decisions regarding budget allocation and investment priorities. How can they identify which city districts require revitalization? To address this challenge, a Current Vitality Index and a Long-Term Vitality Index are proposed. These indexes are based on a carefully curated set of indicators. Missing data is handled using K-Nearest Neighbors imputation, while Random Forest is employed to identify the most reliable and significant features. Additionally, k-means clustering is utilized to generate meaningful data groupings for enhanced monitoring of Long-Term Vitality. Current vitality is visualized through an interactive map, while Long-Term Vitality is tracked over 15 years with predictions made using Multilayer Perceptron or Linear Regression. The results, approved by urban planners, are already promising and helpful, with the potential for further improvement as more data becomes available. This paper proposes leveraging machine learning methods to optimize urban planning and enhance citizens' quality of life.
• Abstract（参考訳）: 市の指導者は予算配分と投資優先に関する決定に直面する。 どの市区が再生を必要とするかをどうやって特定できるのか。 この課題に対処するために、Current Vitality IndexとLong-Term Vitality Indexを提案する。 これらの指標は、慎重にキュレートされた指標のセットに基づいている。 失われたデータはK-Nearest Neighborsの計算によって処理され、Random Forestは最も信頼性が高く重要な特徴を特定するために使用される。 さらに、k平均クラスタリングを使用して、長期生存の監視を強化するために有意義なデータグルーピングを生成する。 現在の活力はインタラクティブなマップを通して可視化されるが、Long-Term Vitalityは15年以上にわたってMultilayer PerceptronやLinear Regressionを使って予測される。 都市プランナーが承認した結果はすでに有望で有益であり、より多くのデータが利用可能になるにつれてさらなる改善が期待できる。 本稿では,都市計画の最適化と市民の生活の質向上に機械学習手法を活用することを提案する。

関連論文リスト

• CureGraph: Contrastive Multi-Modal Graph Representation Learning for Urban Living Circle Health Profiling and Prediction [13.681538916025021]
  都市保健予測のためのマルチモーダル表現学習フレームワークであるCureGraphを提案する。 CureGraphは、各地区の都市生活圏における高齢者の一般的な慢性疾患の頻度を推定する。 クロスモーダルな空間依存を捉え、高齢者の健康に配慮した都市環境を包括的に理解する。
  論文  参考訳（メタデータ） (2025-01-13T09:30:38Z)
• 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)
• Decision Support Framework for Home Health Caregiver Allocation Using Optimally Tuned Spectral Clustering and Genetic Algorithm [8.603583916935946]
  人口高齢化は世界的な課題であり、高齢者の医療やソーシャルサービスへの需要が高まっている。 介護者の配分を効率的に調整し、調整することが不可欠である。 これは予算最適化計画と高品質なケアの提供の両立に不可欠である。
  論文  参考訳（メタデータ） (2023-11-01T17:54:49Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Towards Sequence Utility Maximization under Utility Occupancy Measure [53.234101208024335]
  データベースでは、ユーティリティは各パターンに対して柔軟な基準であるが、ユーティリティ共有を無視するため、より絶対的な基準である。 まず、まず、シーケンスデータに対するユーティリティの占有を定義し、高ユーティリティ・アクシデント・パターンマイニングの問題を提起する。 SuMU(Sequence Utility Maximization with Utility cccupancy measure)と呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T17:28:53Z)
• Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation [3.2489082010225494]
  都市交通データは、測定不足につながる不完全な傾向があります。 交通の都市的・時間的側面を考慮したCANDECOMP/AFAC(CP)完成手法を提案する。 提案手法は,最先端cpアプローチと比較して26%,最先端生成モデルベースアプローチでは35%の有効回復性能を提供する。
  論文  参考訳（メタデータ） (2021-03-12T16:07:23Z)
• C-Watcher: A Framework for Early Detection of High-Risk Neighborhoods Ahead of COVID-19 Outbreak [54.39837683016444]
  C-Watcherは、新型コロナウイルスの感染拡大に先立ち、対象都市のすべての地区を検査し、感染リスクを予測することを目指している。 C-WatcherはBaidu Mapsから大規模な人体移動データを収集し、都市移動パターンに基づいた一連の特徴を用いて市内のすべての住宅地区を特徴付ける。 新型コロナウイルスの感染拡大の初期段階における実データ記録を用いたC-Watcherの広範な実験を行った。
  論文  参考訳（メタデータ） (2020-12-22T17:02:54Z)
• Unsupervised Machine learning methods for city vitality index [2.018732483255139]
  本稿では,過去の特徴を評価・学習し,将来VIを予測する手法を提案する。 この教師なし機械学習手法のメタパラメータを遺伝的アルゴリズム法により最適化する。 得られたクラスタとVIに基づいて、都市の各地区のVIを予測するために線形回帰が適用される。
  論文  参考訳（メタデータ） (2020-12-22T15:23:39Z)
• The efficacy of Neural Planning Metrics: A meta-analysis of PKL on nuScenes [77.83263286776938]
  自律運転(AD)における高性能物体検出システムの役割 通常、平均的精度で評価されるパフォーマンスは、シーン内のアクターの向きや距離を考慮していない。 近年、フィリオンらは、プランナーの軌道と基底経路のKL分散に基づく神経計画測度(PKL)を提案した。
  論文  参考訳（メタデータ） (2020-10-19T09:32:48Z)
• Health Indicator Forecasting for Improving Remaining Useful Life Estimation [12.250035750661866]
  本稿では,健康指標予測のための新しい生成・シナリオマッチングアルゴリズムを提案する。 実験結果は,他の最先端手法よりもアルゴリズムの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-05T23:02:10Z)

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。