Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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