本次给大家整理的是《International Journal of Geographical Information Science》杂志2024年第38卷第5期的论文的题目和摘要,一共包括8篇SCI论文!
论文1
SPASTC: a Spatial Partitioning Algorithm for Scalable Travel-time ComputationSPASTC:可扩展旅行时间计算的时空分区算法
【摘要翻译】
对于大型交通网络而言,旅行时间的计算通常具有较高的计算强度,主要原因有两个:(1)为了处理大型网络,需要大量的计算机内存;(2)在大型网络上计算最短路径需要大量的计算。因此,以往的研究倾向于限制其空间范围以减少计算强度,或者通过先进的网络基础设施来解决计算强度问题。在这种情况下,本文介绍了一种基于空间域分解的新的可扩展旅行时间计算的空间分区算法(SPASTC),该算法明确考虑了计算机内存限制。SPASTC保留了旅行时间计算所需的空间关系,并尊重用户指定的内存限制,从而在给定的内存限制内实现高效和大规模的旅行时间计算。我们通过计算美国沿岸地区医院床位的空间可达性来演示SPASTC。我们的案例研究表明,SPASTC具有显著的有效性和可扩展性,使得旅行时间计算速度提高了数十倍。
【作者及邮箱】
C. Michels,高级数字和空间研究网络地理信息系统中心, 厄巴那, 伊利诺伊州, 美国;信息学项目, 伊利诺伊大学香槟分校, 厄巴那, 伊利诺伊州, 美国; 地理学与地理信息科学系, 伊利诺伊大学香槟分校, 厄巴那, 伊利诺伊州, 美国
J. Park,高级数字和空间研究网络地理信息系统中心, 厄巴那, 伊利诺伊州, 美国;地理学与地理信息科学系, 北达科他大学,大福克斯, 美国
J.-Y. Kang,地理系, 京畿道大学, 首尔, 韩国
S. Wang,高级数字和空间研究网络地理信息系统中心, 厄巴那, 伊利诺伊州, 美国;信息学项目, 伊利诺伊大学香槟分校, 厄巴那, 伊利诺伊州, 美国; 地理学与地理信息科学系, 伊利诺伊大学香槟分校, 厄巴那, 伊利诺伊州, 美国
论文2
A parallel set-based model on the shortest travel time in long-distance transportation systems
一种用于长途运输系统中旅行时间最短的并行集模型
【摘要翻译】
在长距离运输系统中,最短旅行时间是衡量区域连通性和绘制国家和全球层面可达性的关键指标。对于传统方法来说,计算数以百万计的起终点对的最短旅行时间并评估整体性能是一项巨大的挑战。为了填补这一技术空白,本研究提出了一种基于集合的方法来获取不同换乘次数的所有行程,并计算停靠点之间的所有最短旅行时间。基于集合模型用于中国长距离运输系统的最短旅行时间计算。使用优化算法,可以显着减少需要计算的换乘次数。例如,当换乘次数为2时,传统铁路、高速铁路和航空运输的换乘次数分别减少了96.17%、98.15%和79.02%。基于集合模型可以扩展到计算地点之间的门到门旅行时间,例如绘制国家层面的细粒度可达性。此外,我们证明本研究提出的基于集合模型也可以并行化并应用于公共交通转运规范格式中的任何其他长距离运输系统。
【作者及邮箱】
Han Zhang,地理信息科学重点实验室(教育部), 地理科学学院, 华东师范大学, 上海, 中国;华东师范大学重庆研究院, 重庆, 中国; 上海房地产科学研究所, 上海, 中国
Yuanzhi Yao,地理信息科学重点实验室(教育部), 地理科学学院, 华东师范大学, 上海, 中国
Xia Li,地理信息科学重点实验室(教育部), 地理科学学院, 华东师范大学, 上海, 中国
论文3
Simulating human mobility with a trajectory generation framework based on diffusion model
基于扩散模型轨迹生成框架模拟人类移动性
【摘要翻译】
大多数移动性建模方法都是为了解决特定任务而设计的,这导致了对它们泛化能力不足的质疑。受到基础模型繁荣的启发,我们提出了一种基于扩散模型(TrajGDM)的轨迹生成框架,用于从轨迹数据集中捕捉普遍存在的移动模式,通过学习轨迹生成过程。该过程被建模为逐步减少不确定性的过程,其中提出了一种新型训练方法的深度学习网络来从过程中学习。我们在两个公共轨迹数据集上比较了提出的轨迹生成方法与六个基准。结果表明,通过詹斯-森迪纳尔分歧度衡量的生成轨迹与真实轨迹运动的相似性在两个数据集上都有显著提高。此外,我们在两个基本轨迹任务上进行了零样本推断:轨迹预测和轨迹重构。在两个任务上的准确性提高了最大25.6%。普遍适用的移动模式可以解决多个轨迹任务得到了验证,证明了模型的强大泛化能力。最后,通过探索模型将轨迹在潜在空间映射到现实中的方式,该研究为人工智能对人类移动性的理解提供了见解。
【作者及邮箱】
Chen Chu,资源环境信息系统国家重点实验室, 地理科学与自然资源研究所, 中国科学院, 北京, 中国;中国科学院大学, 北京, 中国
Hengcai Zhang,资源环境信息系统国家重点实验室, 地理科学与自然资源研究所, 中国科学院, 北京, 中国; 中国科学院大学, 北京, 中国
Peixiao Wang,资源环境信息系统国家重点实验室, 地理科学与自然资源研究所, 中国科学院, 北京, 中国; 中国科学院大学, 北京, 中国
Feng Lu,资源环境信息系统国家重点实验室, 地理科学与自然资源研究所, 中国科学院, 北京, 中国; 中国科学院大学, 北京, 中国
论文4
Geo-SigSPM: mining geographically interesting and significant sequential patterns from trajectories
Geo-SigSPM: 从轨迹中挖掘具有地理意义和重要性的序列模式
【摘要翻译】
人类运动轨迹中有趣的序列模式可以为城市管理、规划和基于位置的业务提供有价值的见解。然而,现有的模式挖掘方法往往不考虑随着旅行成本的增加而减少的出行可能性,因此难以区分人们特定的出行兴趣和简单的出行便利形成的模式。为了解决这个问题,本文提出了Geo-SigSPM,用于从轨迹中挖掘具有地理意义和统计学上显著的有序模式。其中,“地理上有趣”的模式是指比预期频率更频繁的模式,它考虑了旅行成本和模式中任何地方的冗余性。为了实现这一点,Geo-SigSPM根据双重约束的人类移动模型和模式的子序列频率来制定模式的预期频率。还开发了一套统计测试来评估所识别出的有趣模式。与合成和Foursquare签到数据集一起进行的实验表明,Geo-SigSPM在发现地理上有趣的模式、控制伪模式率和发现比传统基于频率的模式挖掘方法更能反映人们特定出行兴趣的模式方面具有有效性。Geo-SigSPM是提高与旅行成本无关的相关决策制定的一种有前途的解决方案。
【作者及邮箱】
Anshu Zhang,智能城市研究所,香港理工大学, 香港,中国;土地测量与地理信息科学系, 香港理工大学, 香港,中国
Wenzhong Shi,智能城市研究所, 香港理工大学, 香港,中国;土地测量与地理信息科学系, 香港理工大学, 香港,中国
Zhewei Liu,土地测量与地理信息科学系, 香港理工大学, 香港,中国;德克萨斯A&M大学, 大学城, 得克萨斯州, 美国
Xiaolin Zhou,土地测量与地理信息科学系, 香港理工大学, 香港,中国
论文5
An urban cellular automata model based on a spatiotemporal non-stationary neighborhood
基于时空非稳态邻域的城市细胞自动机模型
【摘要翻译】
时空建模一直是地理信息科学的主要关注点。尽管以前的研究表明时空信息在量化城市细胞自动机(CA)模型中的邻域效应方面的重要性,但由于时空模型的复杂性,构建时空非平稳邻域仍然是一个挑战。本研究将时空建模引入城市CA模型的邻域中,构建了地理和时间加权的邻域(GTWN)。同时开发了相应的优化GTWN带宽的方法。以北京和武汉为例,使用GTWN-CA模型模拟城市扩张。实验结果表明,GTWN-CA模型比其他基于时空平稳假设构建邻域的CA模型具有更好的性能,突出了时空建模在量化邻域效应方面的优势。与常用的具有均匀邻域的CA模型(HON-CA)相比,在性能指标(FoM)方面,GTWN-CA模型在北京的校准精度提高了0.87%,在武汉提高了5.4%;在北京和武汉的验证精度分别提高了7.9%和8.9%。
【作者及邮箱】
Haoran Zeng,资源与环境科学学院, 武汉大学, 武汉, 中国
Haijun Wang,资源与环境科学学院, 武汉大学, 武汉, 中国;国家自然资源和地理空间信息管理监测重点实验室, 自然资源部, 武汉,中国
Bin Zhang,公共管理学院, 中国地质大学, 武汉,中国
论文6
Graph convolutional networks for street network analysis with a case study of urban polycentricity in Chinese cities
图卷积网络用于街道网络分析,以中国城市的多中心性案例研究为例
【摘要翻译】
图论通过街道之间的连通性有效地解释了城市结构。然而,对城市之间街道结构的系统性比较仍然具有挑战性。本研究采用图卷积网络(GCN)来分析街道网络结构,使用两分支GCN作为骨干网来提取街道网络之间的可比较特征。本研究采用的方法用于分析298个中国城市不同城市道路网络的结构,以进行多中心性预测。模型将大约450万个街道段转化为自然街道,创建了城市街道图,并随后进行分析以提取局部和全局嵌入。提取的嵌入部分标签为已知的城市多中心性得分,用于通过单层感知器(SLP)模型预测每个城市的得分。结果表明,基于所提取的街道嵌入预测的多中心性得分与基于人口的多中心性得分是一致的。因此,所提出的基于GCN的方法可以有效地预测不同城市的街道网络的复杂性和连通性。将GCN创新地整合到城市研究中表明,深度学习技术可以在大规模上分析和理解街道网络的复杂模式。
【作者及邮箱】
Fangning He,普渡大学李尔斯土木工程学院, 西拉法叶, 印第安纳州,美国
Yang Yue,智能城市研究所, 建筑与城市规划学院, 深圳大学与粤港澳智能城市联合实验室, 城市土地资源监测与模拟重点实验室, 自然资源部,深圳,中国
Renzhong Guo, 智能城市研究所, 建筑与城市规划学院, 深圳大学与粤港澳智能城市联合实验室, 城市土地资源监测与模拟重点实验室, 自然资源部,深圳,中国
Tianhong Zhao,大数据与互联网学院, 深圳科技大学,深圳,中国
Mingshu Wang,地理与地球科学学院, 格拉斯哥大学, 格拉斯哥,英国
论文7
Integrating spatiotemporal co-evolution patterns of land types with cellular automata to enhance the reliability of land use projections
整合土地类型的时空共进模式与细胞自动机以增强土地利用预测的可靠性
【摘要翻译】
土地利用和土地覆盖变化(LUCC)模拟有助于解释未来景观动态在不同情景下的原因和后果,从而支持政策决策。LUCC模拟的核心在于土地类型之间复杂时空关联的表示,包括竞争和相互作用。目前,对复杂时空LUCC关联的分析主要集中在土地利用的空间配置上,而忽视了土地类型之间错综复杂的时空共生演化模式。因此,本研究将时空共生演化模式挖掘(STC)集成到未来土地利用模拟(FLUS)模型中,开发了土地利用变化模拟模型STC-FLUS。提出的模型具有创新性,因为它能够准确量化土地类型的时空共生演化模式,并将其有效地纳入LUCC模拟中。一系列模拟表明,STC-FLUS模型比经典FLUS模型更准确,性能指标得分为0.135与0.114。从2020年到2040年五个局部共享的社会经济途径情景下的模拟结果表明,提出的模型在一套发展情景下对未来LUCC模拟是有效的。我们得出结论,土地类型的时空共生演化模式可以提高土地利用预测的可靠性。此外,STC-FLUS模型可以作为一个有用的工具来理解未来的土地利用动态。
【作者及邮箱】
Xubin Wang,中国地质大学(武汉)计算机学院, 武汉,中国
Xun Liang,中国地质大学(武汉)计算机学院, 武汉,中国
Liang Wu,中国地质大学(武汉)计算机学院, 武汉,中国
Jing Yao,城市大数据中心, 格拉斯哥大学, 格拉斯哥, 苏格兰
论文8
Automatic sketch map creation from labeled planar graph
从标注的平面图自动创建草图地图
【摘要翻译】
在欧几里得空间中构建的地图通常用于视觉化展示关于现实世界的信息。然而,创建这些地图需要大量的资源,包括资金、技术、人力或时间,这可能会限制其时效性和详细程度。现实世界数据的简单可视化形式是草图地图,它主要捕捉拓扑和相互特征的空间位置。默认情况下,它们需要手工绘制。这假定绘制者对所描绘的地区有很好的了解,能够创建认知地图,并擅长将其转化为图形形式。如果满足这些先决条件,草图地图可以是详细和最新的。我们的问题是,是否可以用另一种方式满足这些假设:通过处理与感兴趣的地区相关的叙述来获取该地区的认识,创建适合进一步处理的计算机表示,并自动生成结果草图地图。本文介绍最后一步——基于从叙述中获取的空间数据创建草图地图。结果证明,即使没有距离数据,也可以自动生成与实际情况视觉上接近的草图地图。
【作者及邮箱】
Petr Rapant,采矿和地质系地理信息部,VSB- 奥斯特拉瓦技术大学,奥斯特拉瓦-波尔尤巴校区,捷克共和国Marek Menšík,采矿和地质系地理信息部,VSB- 奥斯特拉瓦技术大学,奥斯特拉瓦-波尔尤巴校区,捷克共和国
Adam Albert,采矿和地质系地理信息部,VSB- 奥斯特拉瓦技术大学,奥斯特拉瓦-波尔尤巴校区,捷克共和国