Journal of Transportation Engineering Part A Systems· 2026Q2
Uydu Görüntülerini Kullanarak Kentsel Büyüme ve Seyahat Desenlerinin Çok Modlu Uzamsal-Zamansal Tahmini İçin Demografi Bilgili Sinir Ağı
Demographics-Informed Neural Network for Multimodal Spatiotemporal Forecasting of Urban Growth and Travel Patterns Using Satellite Imagery
- 2atıf
- Q2SCImago
- 2026yıl
Kısa özet
Yeni bir Demografi Bilgili Sinir Ağı (DINN), demografik verileri entegre ederek gelecek yılın ilçe düzeyindeki uydu görüntülerini ve seyahat göstergelerini tahmin eder, görüntü tahmini için 0.00379 MSE ve 0.8342 SSIM elde eder.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- DINN, dondurulmuş bir demografik tahminci kullanarak gelecek yılın ilçe düzeyindeki uydu görüntülerini ve demografik tutarlılığı tahmin eder.
- Model, ABD ilçe verileri (2012-2023) üzerinde uydu görüntü tahmini için 0.00379 MSE ve 0.8342 SSIM elde etti.
- DINN, görüntü yeniden yapılandırma ve değişim tespitinde ConvLSTM, transformer ve kodlayıcı-kod çözücü tabanlı yöntemlerden tutarlı bir şekilde daha iyi performans gösterdi.
- Demografik tahminci, uydu görüntülerinden elde edilen nüfus özelliklerindeki varyansın yaklaşık %80'ini açıkladı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Transportation planning requires anticipating how built environments, population characteristics, and aggregate travel indicators evolve over time. Conventional forecasting approaches often treat these dimensions separately, limiting their ability to represent spatial-demographic change. This study introduces the Demographics-Informed Neural Network (DINN), a deep learning framework that forecasts next-year county-level satellite imagery from historical image sequences while enforcing demographic consistency through a frozen demographic predictor. DINN combines an encoder-decoder image predictor, gated skip connections, demographic bottleneck fusion, and demographic consistency regularization. The frozen demographic encoder is then reused as a fixed feature extractor to estimate aggregate county-level commute-mode and vehicle-availability indicators. Experiments using US county data from 2012 to 2023 show that DINN achieves an MSE of 0.00379 and SSIM of 0.8342 for satellite image prediction. Across repeated grouped spatial splits, DINN provides modest but consistent improvements over ConvLSTM, transformer-based, and encoder-decoder baselines, with stronger performance on both image reconstruction and change-detection metrics. The demographic predictor explains approximately 80% of the variance in population characteristics from satellite imagery. Transfer learning results show higher accuracy for absolute travel-indicator counts than for scale-controlled shares, indicating that part of the signal reflects county population scale. Overall, the findings suggest that satellite-derived spatial representations capture built-environment and demographic correlates of aggregate travel indicators; however, the results should be interpreted as county-level predictive associations rather than causal behavioral inference.
Yazarların özeti; kaynağından alınmıştır. Journal of Transportation Engineering Part A Systems, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Coğrafya, Planlama ve Kalkınma
Geography, Planning and DevelopmentSocial Sciences