Prediction of Urban Population-Facilities Interactions with Graph Neural Network
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F23%3A00133441" target="_blank" >RIV/00216224:14310/23:00133441 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-36805-9_23" target="_blank" >https://doi.org/10.1007/978-3-031-36805-9_23</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-36805-9_23" target="_blank" >10.1007/978-3-031-36805-9_23</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Prediction of Urban Population-Facilities Interactions with Graph Neural Network
Popis výsledku v původním jazyce
The urban population interacts with service facilities on a daily basis. The information on population-facilities interactions is considered when analyzing the current city organization and revealing gaps in infrastructure at the neighborhood level. However, often this information is limited to several observation areas. The paper presents a new graph-based deep learning approach to reconstruct population-facilities interactions. In the proposed approach, graph attention neural networks learn latent nodes’ representation and discover interpretable dependencies in a graph of interactions based on observed data of one part of the city. A novel normalization technique is used to balance doubly-constrained flows between two locations. The experiments show that the proposed approach outperforms classic models in a bipartite graph of population-facilities interactions.
Název v anglickém jazyce
Prediction of Urban Population-Facilities Interactions with Graph Neural Network
Popis výsledku anglicky
The urban population interacts with service facilities on a daily basis. The information on population-facilities interactions is considered when analyzing the current city organization and revealing gaps in infrastructure at the neighborhood level. However, often this information is limited to several observation areas. The paper presents a new graph-based deep learning approach to reconstruct population-facilities interactions. In the proposed approach, graph attention neural networks learn latent nodes’ representation and discover interpretable dependencies in a graph of interactions based on observed data of one part of the city. A novel normalization technique is used to balance doubly-constrained flows between two locations. The experiments show that the proposed approach outperforms classic models in a bipartite graph of population-facilities interactions.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
<a href="/cs/project/EF16_019%2F0000822" target="_blank" >EF16_019/0000822: Centrum excelence pro kyberkriminalitu, kyberbezpečnost a ochranu kritických informačních infrastruktur</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Computational Science and Its Applications – ICCSA 2023 : Lecture Notes in Computer Science, vol 13956
ISBN
9783031368042
ISSN
—
e-ISSN
—
Počet stran výsledku
15
Strana od-do
334-348
Název nakladatele
Springer, Cham
Místo vydání
Cham
Místo konání akce
Athens
Datum konání akce
3. 7. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
001166618800023