論文の概要: The Geography of Transportation Cybersecurity: Visitor Flows, Industry Clusters, and Spatial Dynamics

• arxiv url: http://arxiv.org/abs/2505.08822v1
• Date: Mon, 12 May 2025 20:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.240054
• Title: The Geography of Transportation Cybersecurity: Visitor Flows, Industry Clusters, and Spatial Dynamics
• Title（参考訳）: 交通サイバーセキュリティの地理学 : ビジターフロー, 産業クラスター, 空間力学
• Authors: Yuhao Wang, Kailai Wang, Songhua Hu, Yunpeng, Zhang, Gino Lim, Pengyu Zhu,
• Abstract要約: 本研究では,ビジターフローの動態を考察し,社会経済的要因が産業クラスタリングや労働力分布をどう形成するかを考察した。 本研究では,AIを活用した予測技術と空間分析を組み合わせることにより,産業クラスタリングと移動傾向の変化を追跡し,解釈し,予測する能力を向上させる。 経済計画、労働開発、および輸送サイバーセキュリティエコシステムへのターゲット投資のためのデータ駆動基盤を提供する。
• 参考スコア（独自算出の注目度）: 44.119189294919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid evolution of the transportation cybersecurity ecosystem, encompassing cybersecurity, automotive, and transportation and logistics sectors, will lead to the formation of distinct spatial clusters and visitor flow patterns across the US. This study examines the spatiotemporal dynamics of visitor flows, analyzing how socioeconomic factors shape industry clustering and workforce distribution within these evolving sectors. To model and predict visitor flow patterns, we develop a BiTransGCN framework, integrating an attention-based Transformer architecture with a Graph Convolutional Network backbone. By integrating AI-enabled forecasting techniques with spatial analysis, this study improves our ability to track, interpret, and anticipate changes in industry clustering and mobility trends, thereby supporting strategic planning for a secure and resilient transportation network. It offers a data-driven foundation for economic planning, workforce development, and targeted investments in the transportation cybersecurity ecosystem.
• Abstract（参考訳）: サイバーセキュリティ、自動車、交通、物流といった分野を含む、輸送サイバーセキュリティエコシステムの急速な進化は、米国中の異なる空間クラスタやビジターフローパターンの形成につながるだろう。 本研究は, 訪問者フローの時空間的動態を考察し, 社会経済的要因が産業のクラスタリングや労働力分布をいかに形成するかを分析した。 ビジターフローパターンをモデル化し,予測するために,注目に基づくトランスフォーマーアーキテクチャとグラフ畳み込みネットワークのバックボーンを統合したBiTransGCNフレームワークを開発した。 本研究では,AIを活用した予測技術と空間分析を組み合わせることにより,産業クラスタリングと移動のトレンドの変化を追跡し,解釈し,予測する能力を向上させるとともに,安全で回復力のある輸送ネットワークの戦略的計画を支援する。 経済計画、労働開発、および輸送サイバーセキュリティエコシステムへのターゲット投資のためのデータ駆動基盤を提供する。

関連論文リスト

• Exploring the Roles of Large Language Models in Reshaping Transportation Systems: A Survey, Framework, and Roadmap [51.198001060683296]
  大型言語モデル(LLM)は、輸送上の課題に対処するための変革的な可能性を提供する。 LLM4TRは,交通におけるLSMの役割を体系的に分類する概念的枠組みである。 それぞれの役割について,交通予測や自律運転,安全分析,都市移動最適化など,さまざまな応用について検討した。
  論文  参考訳（メタデータ） (2025-03-27T11:56:27Z)
• Generative AI in Transportation Planning: A Survey [41.38132349994159]
  我々は、交通計画においてGenAIを活用するための最初の包括的枠組みを提示する。 交通計画の観点から, 記述的, 予測的, 生成的, シミュレーション, 説明可能なタスクの自動化におけるGenAIの役割を検討する。 データ不足、説明可能性、バイアス軽減、ドメイン固有の評価フレームワークの開発など、重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-03-10T10:33:31Z)
• TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization [21.65543843942033]
  TrafficKAN-GCNは、Kolmogorov-Arnold Networks (KAN)とGraph Convolutional Networks (GCN)を組み合わせたハイブリッドディープラーニングフレームワークである。 提案手法をボルチモア都市圏の実際の交通データを用いて評価する。 我々の実験は、交通の流れを再分配し、渋滞を緩和し、フランシス・スコット・キーブリッジ崩壊のような破壊的な出来事に適応するフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2025-03-05T08:59:06Z)
• A Deep Learning Representation of Spatial Interaction Model for Resilient Spatial Planning of Community Business Clusters [4.8051028509814575]
  本稿では,コミュニティビジネスクラスタと取引エリア間の訪問フローを予測するためのSIM-GATモデルを提案する。 グラフベースのディープラーニングモデル、すなわちGraph AttenTion Network(GAT)は、ビジネスのクラスタと相互依存性をキャプチャするために使用される。
  論文  参考訳（メタデータ） (2024-01-09T23:42:21Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Predicting Vehicles Trajectories in Urban Scenarios with Transformer Networks and Augmented Information [0.0]
  本稿では,トランスフォーマーネットワークに基づく歩行者軌道予測のための単純な構造を利用する。 我々は,最大5秒の地平線における都市シナリオにおける車両軌道予測の問題にそれらの利用を適応させる。 我々のモデルは最先端の成果を達成し、異なるタイプの都市環境に柔軟で適応可能であることを証明している。
  論文  参考訳（メタデータ） (2021-06-01T15:18:55Z)
• Implicit Latent Variable Model for Scene-Consistent Motion Forecasting [78.74510891099395]
  本稿では,センサデータから直接複雑な都市交通のシーン一貫性のある動き予測を学習することを目的とする。 我々は、シーンを相互作用グラフとしてモデル化し、強力なグラフニューラルネットワークを用いてシーンの分散潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-07-23T14:31:25Z)

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。