Time Series Analysis of Urban Liveability

要約

本稿では、ディープラーニング・モデルを用いて、オランダの都市における住みやすさの経時的変化を近隣レベルでモニターする方法を探る。私たちの住みやすさの参照データは、住みやすさのスコアであるLeefbaarometerに組み合わされた一連の指標に基づく国別の年次調査によって定義される。この基準データを、毎年入手可能な高解像度の航空写真と組み合わせることで、住みやすさを監視できる1年ごとのタイムステップを作成する。2016年の航空画像とLeefbaarometerスコアで学習させた畳み込みニューラルネットワークを導入し、2012年と2020年の新しいタイムステップにおける住みやすさを予測する。トレーニングに使用された都市（アムステルダム）と、トレーニング中には見られなかった都市（アイントホーフェン）の結果は、特に異なるタイムステップでの画像取得の違いを考慮すると、解釈が難しい傾向を示している。このことは、時間軸をまたいだ住みやすさのモニタリングの複雑さと、住みやすさの動態とは無関係な変化を補正する、より洗練された手法の必要性を示している。

要約(オリジナル)

In this paper we explore deep learning models to monitor longitudinal liveability changes in Dutch cities at the neighbourhood level. Our liveability reference data is defined by a country-wise yearly survey based on a set of indicators combined into a liveability score, the Leefbaarometer. We pair this reference data with yearly-available high-resolution aerial images, which creates yearly timesteps at which liveability can be monitored. We deploy a convolutional neural network trained on an aerial image from 2016 and the Leefbaarometer score to predict liveability at new timesteps 2012 and 2020. The results in a city used for training (Amsterdam) and one never seen during training (Eindhoven) show some trends which are difficult to interpret, especially in light of the differences in image acquisitions at the different time steps. This demonstrates the complexity of liveability monitoring across time periods and the necessity for more sophisticated methods compensating for changes unrelated to liveability dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL