論文の概要: Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models

• arxiv url: http://arxiv.org/abs/2507.04027v1
• Date: Sat, 05 Jul 2025 12:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.983389
• Title: Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models
• Title（参考訳）: 都市社会経済性能の指標としての通勤ネットワーク--深層学習モデルによるモビリティ構造の評価
• Authors: Devashish Khulbe, Alexander Belyi, Stanislav Sobolevsky,
• Abstract要約: 通勤情報記録を信頼性・包括的情報源として利用して都市間の移動ネットワークを構築することを提案する。 ノードの特徴を考慮せずに,モビリティネットワーク構造が重要な予測性能を提供することを示す。 米国の12の主要都市で行った実験では、提案されたモデルが従来の機械学習モデルより優れていることが示された。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban socioeconomic modeling has predominantly concentrated on extensive location and neighborhood-based features, relying on the localized population footprint. However, networks in urban systems are common, and many urban modeling methods don't account for network-based effects. In this study, we propose using commute information records from the census as a reliable and comprehensive source to construct mobility networks across cities. Leveraging deep learning architectures, we employ these commute networks across U.S. metro areas for socioeconomic modeling. We show that mobility network structures provide significant predictive performance without considering any node features. Consequently, we use mobility networks to present a supervised learning framework to model a city's socioeconomic indicator directly, combining Graph Neural Network and Vanilla Neural Network models to learn all parameters in a single learning pipeline. Our experiments in 12 major U.S. cities show the proposed model outperforms previous conventional machine learning models. This work provides urban researchers methods to incorporate network effects in urban modeling and informs stakeholders of wider network-based effects in urban policymaking and planning.
• Abstract（参考訳）: 都市社会経済モデリングは、地域人口のフットプリントに依存して、広範囲の場所と近隣地域に基づく特徴に主に集中している。 しかし、都市システムにおけるネットワークは一般的であり、多くの都市モデリング手法はネットワークに基づく効果を考慮していない。 本研究では,都市間モビリティネットワーク構築のための信頼性と包括的情報源として,国勢調査からの通勤情報記録の利用を提案する。 深層学習アーキテクチャを活用することで、米国内の通勤ネットワークを社会経済モデリングに活用する。 ノードの特徴を考慮せずに,モビリティネットワーク構造が重要な予測性能を提供することを示す。 その結果,都市の社会経済指標を直接モデル化し,グラフニューラルネットワークとバニラニューラルネットワークモデルを組み合わせて1つの学習パイプラインですべてのパラメータを学習する,教師付き学習フレームワークを提案する。 米国の12の主要都市で行った実験では、提案されたモデルが従来の機械学習モデルより優れていることが示された。 この研究は、都市におけるネットワーク効果を都市モデルに組み込むための都市研究者の手法を提供し、都市政策作成と計画においてより広範なネットワーク効果を利害関係者に通知する。

関連論文リスト

• Interest Networks (iNETs) for Cities: Cross-Platform Insights and Urban Behavior Explanations [0.0]
  位置情報に基づくソーシャルネットワーク(LBSN)は、iNETによる都市行動モデリングのためのリッチな基盤を提供する(関心ネットワーク) この研究は、プラットフォーム間のiNET(Google PlacesとFoursquare)と空間的粒度を比較し、粗いレベルがより一貫性のあるクロスプラットフォームパターンを示すことを示している。 我々は,異なるユーザタイプに対して,高関心の都市部を予測するマルチレベル・説明可能なレコメンデーションシステムを開発した。
  論文  参考訳（メタデータ） (2025-07-07T13:34:15Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車の体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model [24.582615553841396]
  Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。 本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
  論文  参考訳（メタデータ） (2023-06-08T02:02:55Z)
• MetroGAN: Simulating Urban Morphology with Generative Adversarial Network [10.504296192020497]
  本稿では,都市形態学シミュレーションのための地理知識,すなわちメトロポリタンGAN(MetroGAN)の枠組みを提案する。 その結果,MetroGANはすべての指標において,最先端の都市シミュレーション手法よりも20%以上優れていた。
  論文  参考訳（メタデータ） (2022-07-06T11:02:24Z)
• Generating Synthetic Mobility Networks with Generative Adversarial Networks [3.3528341717949197]
  MoGANは、GAN(Generative Adversarial Networks)に基づいて、現実的なモビリティネットワークを生成するモデルである。 我々は、自転車とタクシーの公共データセットの実験を行い、MoGANが古典的な重力・放射線モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-22T16:59:35Z)
• Modelling Urban Dynamics with Multi-Modal Graph Convolutional Networks [8.767281392253976]
  都市部の人気と成長をより良くモデル化することを目的とした新しいディープラーニングフレームワークを提案します。 空間的特徴とトポロジカル特徴の両方を時間モデルに統合し、その後のタイムステップで会場の需要を予測するディープラーニングアーキテクチャを紹介します。 最新のディープラーニングモデルと比較して、私たちのモデルはRSMEをロンドンで28%、パリで13%削減します。
  論文  参考訳（メタデータ） (2021-04-29T20:00:47Z)

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。