Core Concepts
都市計算におけるクロスドメインデータ融合の重要性と深層学習手法の進化を探る。
Abstract
近年、都市計算において様々なデータソースからのクロスドメインデータ融合が重要視されています。この記事では、深層学習を活用した最新のデータ融合手法に焦点を当て、都市計算における進歩と展望を体系的に説明しています。具体的には、特徴ベース、アライメントベース、コントラストベース、生成ベースの4つの主要なカテゴリーに分類された方法や、多様なデータソースとモダリティを組み合わせた応用例が紹介されています。さらに、大規模言語モデル(LLMs)と都市計算の相互作用にも光を当て、将来的な研究方向を提案しています。
Stats
都市計算で利用されるPOI(Point of Interest)データは重要性が高く、Bing Map POIsやFoursquareから収集されている。
交通データはMobileBJやTaxiBJなどから取得されており、移動パターンや交通流量の分析に活用されている。
Quotes
"Everything is related to everything else, but near things are more related than distant things." - Miller [190]
"Traffic data provides critical insights into the movement patterns of vehicles and pedestrians within urban environments." - Zhang et al. [353]