Centre dedocumentation
scientifique

Recurrent origin–destination network for exploration of human periodic collective dynamics / Xiaojian Chen in Transactions in GIS, vol 26 n° 1 (February 2022)  

Public [article]  inTransactions in GIS > vol 26 n° 1 (February 2022) . - pp 317 - 340 Titre : Recurrent origin–destination network for exploration of human periodic collective dynamics Type de document : Article/Communication Auteurs : Xiaojian Chen, Auteur ; Jiayi Xie, Auteur ; Changjiang Xiao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 317 - 340 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] données localisées dynamiques [Termes IGN] flux [Termes IGN] origine - destination [Termes IGN] planification urbaine [Termes IGN] réseau neuronal récurrent [Termes IGN] série temporelle [Termes IGN] taxi [Termes IGN] Wuhan (Chine) Résumé : (auteur) While daily periodic movements of individuals have been widely studied, their collective dynamics are not understood. To capture periodic collective dynamics, this article represents individual daily movements as a time series of directed weighted origin–destination (OD) networks, and proposes an approach to identify a sub-network called the “recurrent OD network”, which contains frequent edges appearing in each day. Taxi trajectory data over a period of 6 months in Wuhan, China are used for the case study. Here, we extracted the recurrent OD networks for each 2-h period on a given day, and compared them with the corresponding “major OD network” defined by both frequent and infrequent edges. Results show that the recurrent OD networks coincidentally exhibit spatially localized community structures and distinctive patterns of inflow and outflow for each region within a day. Overall, both methodology and findings in this study might make significant contributions in a range of fields, such as urban planning, regional economic development, and infectious disease control. Numéro de notice : A2022-179 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12849 Date de publication en ligne : 05/10/2021 En ligne : https://doi.org/10.1111/tgis.12849 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99838 [article]

Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques / Jean-Yves Franceschi (2022)  

Public Titre : Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques Type de document : Thèse/HDR Auteurs : Jean-Yves Franceschi, Auteur ; Sylvain Lamprier, Directeur de thèse ; Patrick Gallinari, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 304 p. Format : 21 x 30 cm Note générale : Bibliographie Thèse soutenue pour obtenir le grade de Docteur en Informatique de Sorbonne Université Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] apprentissage profond [Termes IGN] classification non dirigée [Termes IGN] données spatiotemporelles [Termes IGN] équation différentielle [Termes IGN] processus stochastique [Termes IGN] réseau antagoniste génératif [Termes IGN] réseau neuronal récurrent [Termes IGN] série temporelle [Termes IGN] système dynamique Index. décimale : THESE Thèses et HDR Résumé : (auteur) L'essor de l'apprentissage profond trouve notamment sa source dans les avancées scientifiques qu'il a permises en termes d'apprentissage de représentations et de modèles génératifs. Dans leur grande majorité, ces progrès ont cependant été obtenus sur des données textuelles et visuelles statiques, les données temporelles demeurant un défi pour ces méthodes. Compte tenu de leur importance pour l'automatisation croissante de multiples tâches, de plus en plus de travaux en apprentissage automatique s'intéressent aux problématiques d'évolution temporelle. Dans cette thèse, nous étudions ainsi plusieurs aspects de la temporalité et des systèmes dynamiques dans les réseaux de neurones profonds pour l'apprentissage non supervisé de représentations et de modèles génératifs. Premièrement, nous présentons une méthode générale d'apprentissage de représentations non supervisée pour les séries temporelles prenant en compte des besoins pratiques d'efficacité et de flexibilité. Dans un second temps, nous nous intéressons à l'apprentissage pour les séquences structurées de nature spatio-temporelle, couvrant les vidéos et phénomènes physiques. En les modélisant par des équations différentielles paramétrisées par des réseaux de neurones, nous montrons la corrélation entre la découverte de représentations pertinentes d'un côté, et de l'autre la fabrique de modèles prédictifs performants sur ces données. Enfin, nous analysons plus généralement dans une troisième partie les populaires réseaux antagonistes génératifs dont nous décrivons la dynamique d'apprentissage par des équations différentielles, nous permettant d'améliorer la compréhension de leur fonctionnement. Note de contenu : 1- Motivation 2- Time series representation learning 3- State-space predictive models for spatiotemporal data 4- Analysis of GANs’ training dynamics 5- Conclusion Numéro de notice : 60736 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris : 2022 DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03591720 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100472

Predicting user activity intensity using geographic interactions based on social media check-in data / Jing Li in ISPRS International journal of geo-information, vol 10 n° 8 (August 2021)  

Public [article]  inISPRS International journal of geo-information > vol 10 n° 8 (August 2021) . - n° 555 Titre : Predicting user activity intensity using geographic interactions based on social media check-in data Type de document : Article/Communication Auteurs : Jing Li, Auteur ; Wenyue Guo, Auteur ; Haiyan Liu, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 555 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes IGN] apprentissage profond [Termes IGN] données issues des réseaux sociaux [Termes IGN] interaction spatiale [Termes IGN] mobilité [Termes IGN] modèle non linéaire [Termes IGN] relation spatiale [Termes IGN] réseau neuronal de graphes [Termes IGN] réseau neuronal récurrent [Termes IGN] utilisateur Résumé : (auteur) Predicting user activity intensity is crucial for various applications. However, existing studies have two main problems. First, as user activity intensity is nonstationary and nonlinear, traditional methods can hardly fit the nonlinear spatio-temporal relationships that characterize user mobility. Second, user movements between different areas are valuable, but have not been utilized for the construction of spatial relationships. Therefore, we propose a deep learning model, the geographical interactions-weighted graph convolutional network-gated recurrent unit (GGCN-GRU), which is good at fitting nonlinear spatio-temporal relationships and incorporates users’ geographic interactions to construct spatial relationships in the form of graphs as the input. The model consists of a graph convolutional network (GCN) and a gated recurrent unit (GRU). The GCN, which is efficient at processing graphs, extracts spatial features. These features are then input into the GRU, which extracts their temporal features. Finally, the GRU output is passed through a fully connected layer to obtain the predictions. We validated this model using a social media check-in dataset and found that the geographical interactions graph construction method performs better than the baselines. This indicates that our model is appropriate for fitting the complex nonlinear spatio-temporal relationships that characterize user mobility and helps improve prediction accuracy when considering geographic flows. Numéro de notice : A2021-588 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi10080555 Date de publication en ligne : 17/08/2021 En ligne : https://doi.org/10.3390/ijgi10080555 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98206 [article]

Improving human mobility identification with trajectory augmentation / Fan Zhou in Geoinformatica [en ligne], vol 25 n° 3 (July 2021)  

Public [article]  inGeoinformatica [en ligne] > vol 25 n° 3 (July 2021) . - pp 453 - 483 Titre : Improving human mobility identification with trajectory augmentation Type de document : Article/Communication Auteurs : Fan Zhou, Auteur ; Ruiyang Yin, Auteur ; Goce Trajcevski, Auteur ; Kunpeng Zhang, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 453 - 483 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] itinéraire [Termes IGN] mobilité [Termes IGN] modèle numérique de déplacement [Termes IGN] réseau antagoniste génératif [Termes IGN] réseau neuronal convolutif [Termes IGN] réseau neuronal récurrent [Termes IGN] utilisateur Résumé : (auteur) Many location-based social networks (LBSNs) applications such as customized Point-Of-Interest (POI) recommendation, preference-based trip planning, travel time estimation, etc., involve an important task of understanding human trajectory patterns. In particular, identifying and linking trajectories to users who generate them – a problem called Trajectory-User Linking (TUL) – has become a focus of many recent works. TUL is usually studied as a multi-class classification problem and has gained recent attention because: (1) the number of labels/classes (i.e., users) is way larger than the number of motion patterns among various trajectories; and (2) the location-based trajectory data, especially the check-ins – i.e., events of reporting a location at particular Point of Interest (POI) with known semantics – are often extremely sparse. Towards addressing these challenges, we introduce a Trajectory Generative Adversarial Network (TGAN) as an approach to enable learning users motion patterns and location distribution, and to eventually identify human mobility. TGAN consists of two jointly trained neural networks, playing a Minimax game to (iteratively) optimize both components. The first one is the generator, learning trajectory representation by a Recurrent Neural Network (RNN) based model, aiming at fitting the underlying trajectory distribution of a particular individual and generate synthetic trajectories with intrinsic invariance and global coherence. The second one is the discriminator – a Convolutional Neural Network (CNN) based model that discriminates the generated trajectory from the real ones and provides guidance to train the generator model. We demonstrate that the above two models can be well tuned together to improve the TUL performance, while achieving superior accuracy when compared to existing approaches. Numéro de notice : A2021-972 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1007/s10707-019-00378-7 Date de publication en ligne : 29/08/2019 En ligne : https://doi.org/10.1007/s10707-019-00378-7 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100390 [article]

Recurrent neural network for rain estimation using commercial microwave links / Hai Victor Habi in IEEE Transactions on geoscience and remote sensing, vol 59 n° 5 (May 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 5 (May 2021) . - pp 3672 - 3681 Titre : Recurrent neural network for rain estimation using commercial microwave links Type de document : Article/Communication Auteurs : Hai Victor Habi, Auteur ; Hagit Messer, Auteur Année de publication : 2021 Article en page(s) : pp 3672 - 3681 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement du signal [Termes IGN] dégradation du signal [Termes IGN] eau pluviale [Termes IGN] méthode robuste [Termes IGN] précision de l'estimation [Termes IGN] réseau neuronal récurrent Résumé : (Auteur) The use of recurrent neural networks (RNNs) to utilize measurements from commercial microwave links (CMLs) has recently gained attention. Whereas previous studies focused on the performance of methods for wet–dry classification, here we propose an RNN algorithm for estimating the rain-rate. We empirically analyzed the proposed algorithm, using real data, and compared it with the traditional power-law (PL)-based algorithm, commonly used for estimating rain from CML attenuation measurements. Our analysis shows that the data-driven RNN algorithm, when properly trained, outperforms the PL algorithm in terms of accuracy. On the other hand, the PL algorithm is simpler and more robust when dealing with a large variety of corruptions and adverse conditions. We then introduced a time normalization (TN) layer for controlling the trade-off between performance and robustness of the RNN methods, and demonstrated its performance. Numéro de notice : A2021-337 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE/POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3010305 Date de publication en ligne : 30/07/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3010305 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97568 [article]

Multi-level progressive parallel attention guided salient object detection for RGB-D images / Zhengyi Liu in The Visual Computer, vol 37 n° 3 (March 2021)  

Permalink

A comparative study of heterogeneous ensemble-learning techniques for landslide susceptibility mapping / Zhice Fang in International journal of geographical information science IJGIS, vol 35 n° 2 (February 2021)  

Permalink

Nonlocal graph convolutional networks for hyperspectral image classification / Lichao Mou in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)  

Permalink

Sea surface temperature and high water temperature occurrence prediction using a long short-term memory model / Minkyu Kim in Remote sensing, vol 12 n° 21 (November 2020)  

Permalink

Application of convolutional and recurrent neural networks for buried threat detection using ground penetrating radar data / Mahdi Moalla in IEEE Transactions on geoscience and remote sensing, vol 58 n° 10 (October 2020)  

Permalink

NeuroTPR: A neuro‐net toponym recognition model for extracting locations from social media messages / Jimin Wang in Transactions in GIS, Vol 24 n° 3 (June 2020)  

Permalink

AI based robot safe learning and control / Xuefeng Zhou (2020)  

Permalink

Imaging and diagnostic of sub-wavelength micro-structures, from closed-form algorithms to deep learning / Peipei Ran (2020)  

Permalink

INS/GNSS integration using recurrent fuzzy wavelet neural networks / Parisa Doostdar in GPS solutions, vol 24 n° 1 (January 2020)  

Permalink

Unsupervised satellite image time series analysis using deep learning techniques / Ekaterina Kalinicheva (2020)  

Permalink