地景中的恶魔:从街景影像推断流行病暴露风险
本研究利用机器学习和全面的街景图像数据集,探讨纽约市的城市安全挑战,以识别城市景观与犯罪率之间的关系,并特别关注街景特征与犯罪率的相关性,从而为城市规划和犯罪预防提供见解,凸显环境设计在提升公共安全方面的潜力。
Apr, 2024
此研究探讨了卫星图像中的景观特征在感染病预测模型中的应用,通过采用卷积神经网络从卫星数据中提取并标记的景观特征,结合巴基斯坦的登革热病例数据与 SIR 疫情模型,发现卫星图像中的景观特征能够显著提高疾病爆发的预测能力,对主动和战略性的监测和控制计划非常重要。
Apr, 2019
使用公共街道图像进行街区中薄弱群体的生计指标预测,方法分为图像分群和基于图像关系的两种方法,测试结果表明此方法对于贫困、人口和公共卫生等指标的预测精度高
Jun, 2020
提出了一种基于图神经网络的流行病预测模型 EpiGNN,该模型通过传播风险编码、区域感知图学习器和外部资源融合等操作,能够更好地探索流行病的时空依赖关系,提高预测效果。在 5 个真实流行病数据集上的实验结果表明,EpiGNN 模型的 RMSE 表现比现有模型均有 9.48% 的提高。
Aug, 2022
通过分析中国三个城市的地铁乘客的智能卡数据构建联系网络,建立了传染病扩散的模型并发现这些城市的地铁联系网络结构相似,且都存在传染病扩散的风险,因此需要重视和规划相应的交通运营策略。
Feb, 2020
该研究提出了一种以图形化方式对流行病进行建模、具有更好的边缘表征以及可扩展预测能力的模型,在流动性分析方面具有很强的研究价值和政策指导意义,该模型提供了有效的工具箱,能够帮助公共卫生研究人员和政策制定者预测不同的封锁策略如何影响疫情的传播,并模拟了某些政策的影响和控制传染的预测。
Dec, 2022
本文研究人类移动性在感染病毒建模中的重要性,并通过分析 29 个国家的移动数据和构建重力模型,以及将短程通勤流纳入全球疫情结构化流行病模型中,证明通勤流的引入会影响到疫情在近距离群体中的传播,但对全球模式的影响相对较小。
Jul, 2009
我们开发了一个开源数据处理管道,用于处理从车载摄像头记录的 360 度视频数据,生成街景图像,为时序分析提供输入,并通过对行人交通的统计分析验证了数据处理管道的输出。这项研究展示了收集和使用街景图像数据在研究中的可行性和价值,并在室外行人交通模式方面提供了新的见解。
Jan, 2024
计算机视觉基于街景图像的分析对环境评估产生了转变性影响,本文质疑了使用该专有数据源的现行实践,提出了团队的关注点和对开放数据原则的倡导。
Feb, 2024