مقاله انگلیسی رایگان در مورد تلفیق داده های بزرگ شهری مبتنی بر یادگیری عمیق – الزویر ۲۰۲۰

elsevier

 

مشخصات مقاله
ترجمه عنوان مقاله تلفیق داده های بزرگ شهری مبتنی بر یادگیری عمیق: یک مرور کلی
عنوان انگلیسی مقاله Urban big data fusion based on deep learning: An overview
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۱۱ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۱۳٫۲۰۱ در سال ۲۰۱۹
شاخص H_index ۸۵ در سال ۲۰۲۰
شاخص SJR ۲٫۲۳۸ در سال ۲۰۱۹
شناسه ISSN ۱۵۶۶-۲۵۳۵
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط عمران، جغرافیا
گرایش های مرتبط نقشه برداری، سنجش از دور و سیستم اطلاعات جغرافیایی
نوع ارائه مقاله
ژورنال
مجله  هم جوشانی اطلاعات – Information Fusion
دانشگاه School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China
کلمات کلیدی محاسبات شهری، داده های بزرگ، تلفیق داده ها، یادگیری عمیق
کلمات کلیدی انگلیسی Urban computing، Big data، Data fusion، Deep learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.inffus.2019.06.016
کد محصول E14304
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Related work

۳- Urban big data fusion based on deep learning

۴- Difficulties and ideas of urban big data fusion

۵- Conclusion

References

بخشی از متن مقاله:

Abstract

Urban big data fusion creates huge values for urban computing in solving urban problems. In recent years, various models and algorithms based on deep learning have been proposed to unlock the power of knowledge from urban big data. To clarify the methodologies of urban big data fusion based on deep learning (DL), this paper classifies them into three categories: DL-output-based fusion, DL-input-based fusion and DL-double-stage-based fusion. These methods use deep learning to learn feature representation from multi-source big data. Then each category of fusion methods is introduced and some examples are shown. The difficulties and ideas of dealing with urban big data will also be discussed.

Introduction

Our life and the city we live in affect each other. In the era of big data, it is urgent to effectively use urban big data to solve problems in the city, such as traffic congestion [1,2], noise pollution [3,4], air pollution [5,6], etc., to improve our life experience. Nowadays, many urban computing methods based on deep learning have been put forward to solve urban problems, such as urban traffic flow prediction [7,8], urban crowd flows prediction [9,10], urban air prediction [11,12], urban water quality prediction [13,14], etc. In these urban computing methods, the big data used by the researchers are all from different sources, such as meteorological stations, taxi detectors, online weather web sites, etc. Moreover, urban big data shows different representations, such as text, numbers and symbols. Bello et al. [15] and Zhang et al.[16] summarized five characteristics of big data, that is, large volume, large velocity, large variety, veracity and value, which are called 5V’s features. The 5V’s features of the data indirectly indicate a big explosion in data amount. On the one hand, how to sense, obtain and manage these big data is a challenge; On the other hand, how to analyze and excavate the value of these big data is another significant challenge. Apparently, the urban big data with 5V’s characteristics brings great challenges to urban computing. Fig. 1 depicts the urban big data. Firstly, urban big data comes from many sources. When studying the real-time city-wide traffic volume, the data usually come from taxi sensor, exploratory data, monitoring data and Internet web data. For example, Meng et al.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *