Deep Learning for Cross-Domain Data Fusion in Urban Computing: Taxonomy, Advances, and Outlook

要約

都市が成長を続ける中、アーバン コンピューティングは、多様なソース (地理、交通、ソーシャル メディア、環境データなど) やモダリティ (空間データなど) からのクロスドメイン データ融合の力を活用することで、持続可能な開発のための極めて重要な分野として浮上しています。
時間的、視覚的、およびテキストのモダリティ)。
最近、スマートシティにおけるクロスドメインのデータ融合を促進するために、さまざまな深層学習手法を利用する傾向が高まっています。
この目的を達成するために、都市コンピューティングに合わせた深層学習ベースのデータ融合手法の最新の進歩を体系的にレビューする最初の調査を提案します。
具体的には、まずデータの観点を掘り下げて、各モダリティとデータ ソースの役割を理解します。
次に、方法論を特徴ベース、位置合わせベース、コントラストベース、生成ベースの融合方法という 4 つの主要なカテゴリに分類します。
第三に、マルチモーダル都市アプリケーションをさらに都市計画、交通、経済、公共安全、社会、環境、エネルギーの 7 つのタイプに分類します。
以前の調査と比較して、私たちはディープラーニング手法とアーバンコンピューティングアプリケーションの相乗効果にさらに焦点を当てています。
さらに、大規模言語モデル (LLM) と都市コンピューティングの間の相互作用に光を当て、この分野に革命をもたらす可能性のある将来の研究の方向性を想定しました。
私たちは、調査で明らかにされた分類、進歩、展望が研究コミュニティを大幅に豊かにする準備ができていると強く信じています。
包括的かつ最新の論文リストの概要は、https://github.com/yoshall/Awesome-Multimodal-Urban-Computing でご覧いただけます。

要約(オリジナル)

As cities continue to burgeon, Urban Computing emerges as a pivotal discipline for sustainable development by harnessing the power of cross-domain data fusion from diverse sources (e.g., geographical, traffic, social media, and environmental data) and modalities (e.g., spatio-temporal, visual, and textual modalities). Recently, we are witnessing a rising trend that utilizes various deep-learning methods to facilitate cross-domain data fusion in smart cities. To this end, we propose the first survey that systematically reviews the latest advancements in deep learning-based data fusion methods tailored for urban computing. Specifically, we first delve into data perspective to comprehend the role of each modality and data source. Secondly, we classify the methodology into four primary categories: feature-based, alignment-based, contrast-based, and generation-based fusion methods. Thirdly, we further categorize multi-modal urban applications into seven types: urban planning, transportation, economy, public safety, society, environment, and energy. Compared with previous surveys, we focus more on the synergy of deep learning methods with urban computing applications. Furthermore, we shed light on the interplay between Large Language Models (LLMs) and urban computing, postulating future research directions that could revolutionize the field. We firmly believe that the taxonomy, progress, and prospects delineated in our survey stand poised to significantly enrich the research community. The summary of the comprehensive and up-to-date paper list can be found at https://github.com/yoshall/Awesome-Multimodal-Urban-Computing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google