Fugu-MT 論文翻訳(概要): Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities

論文の概要: Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities

arxiv url: http://arxiv.org/abs/2505.15870v1
Date: Wed, 21 May 2025 13:17:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-23 17:12:47.830058
Title: Satellites Reveal Mobility: A Commuting Origin-destination Flow Generator for Global Cities
Title（参考訳）: 衛星の移動性:グローバルシティー向け通信原点決定フロージェネレータ
Authors: Can Rong, Xin Zhang, Yanxin Xi, Hongjie Sui, Jingtao Ding, Yong Li,
Abstract要約: GlODGenは、世界中の関心のある都市に対して、Origin-Detination(OD)フローを生成するツールである。衛星画像には、高品質なODフロー生成をサポートするリッチな都市意味信号が含まれている。 GlODGenは、異なる大陸の様々な都市環境にまたがる大きな一般化性を持っている。
参考スコア（独自算出の注目度）: 10.207164608654962
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Commuting Origin-destination~(OD) flows, capturing daily population mobility of citizens, are vital for sustainable development across cities around the world. However, it is challenging to obtain the data due to the high cost of travel surveys and privacy concerns. Surprisingly, we find that satellite imagery, publicly available across the globe, contains rich urban semantic signals to support high-quality OD flow generation, with over 98\% expressiveness of traditional multisource hard-to-collect urban sociodemographic, economics, land use, and point of interest data. This inspires us to design a novel data generator, GlODGen, which can generate OD flow data for any cities of interest around the world. Specifically, GlODGen first leverages Vision-Language Geo-Foundation Models to extract urban semantic signals related to human mobility from satellite imagery. These features are then combined with population data to form region-level representations, which are used to generate OD flows via graph diffusion models. Extensive experiments on 4 continents and 6 representative cities show that GlODGen has great generalizability across diverse urban environments on different continents and can generate OD flow data for global cities highly consistent with real-world mobility data. We implement GlODGen as an automated tool, seamlessly integrating data acquisition and curation, urban semantic feature extraction, and OD flow generation together. It has been released at https://github.com/tsinghua-fib-lab/generate-od-pubtools.
Abstract（参考訳）: 市民の毎日の人口移動をとらえる(OD)フローは、世界中の都市にまたがる持続可能な開発に不可欠である。しかし,旅行調査やプライバシの懸念が高いため,データを取得することは困難である。意外なことに、衛星画像は世界中に公開されており、高品質なODフロー生成を支援するためのリッチな都市意味信号が含まれており、従来のマルチソースな都市社会デミノグラフィー、経済、土地利用、関心点データの表現力は98%以上である。これにより、世界中の関心のある都市でODフローデータを生成することのできる、新しいデータジェネレータであるGlODGenを設計できるようになります。具体的には、GlODGenはまずVision-Language Geo-Foundation Modelsを利用して、衛星画像から人間の移動性に関連する都市意味信号を抽出する。これらの特徴を人口データと組み合わせて領域レベルの表現を形成し、グラフ拡散モデルを用いてODフローを生成する。 4大陸と6つの代表都市での大規模な実験により、GlODGenは異なる大陸の様々な都市環境にまたがって大きな一般化性を持ち、現実世界のモビリティデータと高度に整合した世界都市のODフローデータを生成することができることが示された。我々はGlODGenを自動化ツールとして実装し、データ取得とキュレーション、都市意味特徴抽出、ODフロー生成をシームレスに統合する。 https://github.com/tsinghua-fib-lab/generate-od-pubtoolsでリリースされた。

関連論文リスト

Generative AI for Urban Planning: Synthesizing Satellite Imagery via Diffusion Models [9.385767746826286]
我々は、土地利用記述、インフラ、自然環境に照らした高忠実な衛星画像を生成するために、制御ネットで拡張された最先端の安定拡散モデルを適用した。米国の主要3都市からのデータを用いて,提案した拡散モデルが,土地利用形態,道路網,水域などによって,現実的で多様な都市景観を生成することを示す。我々のモデルは高いFIDとKIDのスコアを達成し、多様な都市環境におけるロバスト性を実証する。
論文参考訳（メタデータ） (2025-05-13T04:55:38Z)
Causality Enhanced Origin-Destination Flow Prediction in Data-Scarce Cities [13.436303786475348]
そこで我々は,都市間における都市知識の伝達を目的とした,Causality-Enhanced OD Flow Prediction (CE-OFP) フレームワークを提案する。提案したCE-OFPは最先端のベースラインを著しく上回り、データ共有都市におけるODフロー予測のRMSEを最大11%削減することができる。
論文参考訳（メタデータ） (2025-03-09T02:36:36Z)
World-Consistent Data Generation for Vision-and-Language Navigation [52.08816337783936]
VLN(Vision-and-Language Navigation)は、自然言語の指示に従って、エージェントがフォトリアリスティックな環境をナビゲートする必要がある課題である。 VLNの主な障害はデータの不足であり、目に見えない環境における一般化性能の低下につながる。多様性と世界整合性の両方を満たす効率的なデータ拡張フレームワークである世界整合データ生成(WCGEN)を提案する。
論文参考訳（メタデータ） (2024-12-09T11:40:54Z)
AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。 AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
論文参考訳（メタデータ） (2024-11-29T08:14:07Z)
StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
論文参考訳（メタデータ） (2024-11-19T05:15:19Z)
UrbanWorld: An Urban World Model for 3D City Generation [21.21375372182025]
UrbanWorldは、フレキシブルな制御条件を備えたカスタマイズされたリアルでインタラクティブな3D都市世界を自動生成できる、ジェネレーティブな都市世界モデルである。我々は5つの視覚的指標について広範囲に定量的に分析を行い、UrbanWorldがSOTA生成リアリズムを実現していることを示す。エージェントの認識とナビゲーションを生成環境内で示すことで,これらの環境のインタラクティブな性質を検証する。
論文参考訳（メタデータ） (2024-07-16T17:59:29Z)
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)
Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文参考訳（メタデータ） (2022-02-18T04:59:20Z)
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)

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。