权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

III: Small: Adopting Machine Learning Techniques for Big Spatial and Spatio-temporal Data and Applications

III：小：采用机器学习技术处理大时空数据和应用

基本信息

批准号：
1907855
负责人：
Mohamed Mokbel
金额：
$ 50万
依托单位：
University of Minnesota-Twin Cities
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2019
资助国家：
美国
起止时间：
2019-10-01 至 2023-09-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1907855&HistoricalAwards=false
关键词：
III Small Adopting Machine Learning

项目摘要

Motivated by the ubiquity and magnitude of spatial and location data collected from myriad of devices, including, cell phones, GPS-enabled vehicles, and satellites, this award aims to take advantage of such data to enhance the scalability, accuracy, and usability of various artificial intelligence and machine learning techniques. This will advance the state-of-the-art of these techniques not only to accommodate more applications where spatial data is predominant (e.g., transportation, meteorology, and agriculture), but also to current applications that deal with spatial data (e.g., census, knowledge-base construction).This award adopts machine learning techniques for big spatial and spatio-temporal data and applications in two orthogonal, but related, directions. First, injecting the spatial awareness inside machine learning techniques and applications, which would result in a higher accuracy for such applications. Second, taking advantage of the recent advances in machine learning techniques to boost the usability, scalability, and accuracy of long lasting spatial and spatio-temporal data analysis techniques. Towards its goal, this award exploits three main research topics: (1) Developing the concept and building Spatial Markov Logic Network (SMLN) by injecting the spatial awareness inside Markov Logic Network. (2) Leveraging the developed SMLN to build the first open-source system for a spatially-aware knowledge base construction system. (3) Leveraging the developed SMLN to increase the accuracy, scalability, and usability of several long lasting spatial analysis problems, including spatial autologistic regression, spatial classification, and Bayesian networks.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.

从包括手机、GPS功能的车辆和卫星在内的各种设备收集的无处不在的空间和位置数据及其规模的推动下，该奖项旨在利用这些数据来增强各种人工智能和机器学习技术的可扩展性、准确性和可用性。这将推动这些技术的最新发展，不仅适应空间数据占主导地位的更多应用(例如交通、气象和农业)，而且适应当前处理空间数据的应用(例如人口普查、知识库建设)。该奖项采用机器学习技术来处理大的空间和时空数据，并在两个相互垂直但相关的方向上应用。首先，在机器学习技术和应用程序中注入空间意识，这将导致此类应用程序的准确性更高。第二，利用机器学习技术的最新进展，提高长期空间和时空数据分析技术的可用性、可扩展性和准确性。为了达到这个目标，该奖项探索了三个主要的研究主题：(1)发展概念，通过在马尔可夫逻辑网络中注入空间意识来构建空间马尔可夫逻辑网络(SMLN)。(2)利用开发的SMLN为空间感知的知识库建设系统构建第一个开源系统。(3)利用开发的SMLN来提高几个长期空间分析问题的准确性、可扩展性和可用性，包括空间自回归、空间分类和贝叶斯网络。该奖项反映了NSF的法定使命，并通过使用基金会的智力优势和更广泛的影响审查标准进行评估，被认为值得支持。

项目成果

期刊论文数量（16）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Sya: Enabling Spatial Awareness inside Probabilistic Knowledge Base Construction

DOI：
10.1109/icde48307.2020.00106
发表时间：
2020-04
期刊：
2020 IEEE 36th International Conference on Data Engineering (ICDE)
影响因子：
0
作者：
Ibrahim Sabek;M. Mokbel
通讯作者：
Ibrahim Sabek;M. Mokbel

QARTA: An ML-based System for Accurate Map Services

DOI：
10.14778/3476249.3476279
发表时间：
2021-07
期刊：
Proc. VLDB Endow.
影响因子：
0
作者：
Mashaal Musleh;Sofiane Abbar;R. Stanojevic;M. Mokbel
通讯作者：
Mashaal Musleh;Sofiane Abbar;R. Stanojevic;M. Mokbel

Machine Learning Meets Big Spatial Data (Revised)

DOI：
10.1109/mdm52706.2021.00014
发表时间：
2021-06
期刊：
2021 22nd IEEE International Conference on Mobile Data Management (MDM)
影响因子：
0
作者：
Ibrahim Sabek;M. Mokbel
通讯作者：
Ibrahim Sabek;M. Mokbel

Let's speak trajectories

DOI：
10.1145/3557915.3560972
发表时间：
2022-11
期刊：
Proceedings of the 30th International Conference on Advances in Geographic Information Systems
影响因子：
0
作者：
Mashaal Musleh;M. Mokbel;Sofiane Abbar
通讯作者：
Mashaal Musleh;M. Mokbel;Sofiane Abbar

A Demonstration of RASED: A Scalable Dashboard for Monitoring Road Network Updates in OSM