
Prognose der Verkehrslage in der Region Hannover
Die primäre Anforderung der Verkehrsteilnehmer im Bereich des Straßenverkehrs ist die Kenntnis der aktuellen Verkehrslage. Diese basiert in der Regel auf der wirklich benötigten Reisezeit von sehr vielen Verkehrsteilnehmern, deren Daten häufig im Kontext von Routingdiensten abgegriffen werden.
Im Rahmen von Data4UrbanMobility wurden Werkzeuge entwickelt um eine ganglineinbasierte Prognose der Verkehrslage zu ermöglichen. Die folgende Abbildung zeigt eine Oberfläche auf der typische Ganglinienverläufe und Ausreißer visualisiert werden.
Die Prognose der Verkehrslage kann dann mittels einer Karte für den Endnutzer visualisert werden:
Erste Version der MIC-App bereitgestellt
Eine erste Version der MIC-App (Move in the City) konnte allen Partnerinnen und Partnern des Projekts und einer geschützten Nutzer*innengruppe der Öffentlichkeit zur Verfügung gestellt werden. Die mobile App MiC ist ein Instrument zur Datenerhebung.
Dabei verknüpft MiC – eine Entwicklung des Institute for Sustainable Urbanism ISU der TU Braunschweig und Projektionisten GmbH Hannover – das wachsende Bewusstsein und die Notwendigkeit für digitale Bürger*innenrechte mit den Potentialen mittels der Auswertung großer Datenmengen neue Formen der menschzentrierten Entwicklung von Stadt und Mobilität zu ermöglichen stellt eine Möglichkeit dar, sich aktiv als Bürgerwissenschaftlerin und Bürgerwissenschaftler an der Forschung und Entwicklung der Mobilität für alle in der Stadt der Zukunft zu beteiligen.
MiC erhebt – durch die Nutzerinnen und Nutzer gesteuert – Daten zu Strecken und Art der Fortbewegung. Diese Daten werden pseudonymisiert, so dass ein Rückschluss auf die jeweilige Person nicht mehr möglich ist. Wichtig ist die Vielzahl der Nutzerinnen und Nutzer – nicht die einzelne Bewegung. Die Stadt der Zukunft zeichnet sich aus durch den barrierearmen Zugang zu Mobilität und Erreichbarkeit für alle. Der holistische Ansatz der Forscherinnen und Forscher des Institute for Sustainable Urbanism ISU (TU Braunschweig) sowie der Projektbeteiligten betrachtet Stadt dabei auf verschiedenen Maßstabsebenen und bringt intelligente Planungen – wie z.B. die 5-Minuten Stadt –, Städtebau und innovative Technologien zusammen. Für ein umfassendes Verständnis individueller Mobilität und darauf aufbauende neue Methoden und Werkzeuge für integrierte Verkehrs- und Stadtplanung werden mittels der MiC-App uns umfangreiche und detaillierte Daten darüber geliefert, wie und auf welchem Wege wir uns in der Stadt fortbewegen.
Entwicklungsstand:
In der ersten Version ermöglicht das Stadtforschungstool MiC den Nutzer*innen durch eine einfach Handhabung das Starten und Beenden der „Tracking-Time“ (Bild 1). Wichtig ist, die Nutzer*innen entscheidet selber über den Zeitraum. Als erstes Ergebnis für die Nutzer*innen steht eine Zusammenfassung ihrer bisher aufgezeichneten Routen (Bild2). In den Einstellung (Bild 3) kann der Nutzer sich aktiv an Feedback beteiligen (Bild 4) sowie seinen Account und somit seiner zur Verfügung gestellten Daten löschen (Bild 5).
von links nach recht: Bild1-5 MIC App Interface – Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
Die aktuelle Weiterentwicklung sieht eine Visualisierung der Routen für den jeweiligen Nutzer vor.
Um Teil der Testgruppe zu werden ist zur Zeit noch eine Anmeldung unter: www.mic-app.org notwendig. Die Anwendung ist nicht frei im App Store / GooglePlay Store zu erhalten.
Auf der Internetseite www.mic-app.org wird zusätzlich detailliert auf häufige Fragen (FAQ) zur Anwendung sowie über Entwicklungen und Neuheiten informiert
D4UM Plattform und Dashboard V2
Die neue Version der Plattform inklusive des Dashboards gibt noch detailliertere Auskünfte über die Verkehrssituation
Die farblich unterschiedlichen Label lassen eine schnelle Unterscheidung zwischen den verschiedenen Event typen zu. Durch das klicken auf eines der Events wird der typically affected subgraph angezeigt für diesen Eventtyp.
Beispiele: Visualisierungen eines Konzerts und eines Fußballspiels
Zusätzlich gibt der Graph in der oberen rechten Ecke Auskunft über die Verkehrssituation vor und nach dem Eventstart.
{API}
Es wurden die API Endpunkte mit zusätzlichen Information erweitert.
Diese werden mittels der als Teil der Forschung entwickelten Modellen erstellt.
Erste Version der D4UM-App bereitgestellt
Eine erste Version der D4UM-App konnte allen Partnern des Projekts zur Verfügung gestellt werden. Die App stellt eine Möglichkeit dar, sich Fahrtauskünfte mit dem öffentlichen Personennahverkehr in Niedersachsen und Bremen (Datengrundlage: EFA – elektronische Fahrplanauskunft für Niedersachsen und Bremen) ausgeben zu lassen. Im Fokus stand hierbei, dass der Nutzer schnell und einfach an die für ihn wichtigen Informationen gelangen kann, um so seine Reise möglichst simpel planen zu können.
Folgende Funktionen dienen dabei in der ersten Version der schnellen Auskunft:
Abfahrten und Verbindungen
Über die Funktion Abfahrten lassen sich Abfahrtszeiten an einer bestimmten oder an nahegelegenen Haltestellen ermitteln. Unter Verbindungen können hingegen Fahrtvorschläge von einem Startpunkt (Adresse oder Haltestelle) zu einem Zielpunkt gesucht werden. Zeiten stehen dabei auch in Echtzeit zur Verfügung, sodass auch Verspätungen direkt von dem Nutzer erkannt werden können.
Karte
Über die Karte sind alle Haltestellen zu finden, sodass sich der Nutzer einen Überblick über die nähere Umgebung oder auch den Weg zur Haltestelle oder einem Ziel verschaffen kann.
Wird auf der Karte auf ein Haltestellensymbol oder den zugehörigen Haltestellennamen geklickt, öffnet sich der Abfahrtsmonitor zu dieser Haltestelle. Die nächsten Abfahrten können somit auch über diesen Weg aufgerufen werden.
Darüber hinaus kann sich der Nutzer auch den Verlauf seiner Fahrt anzeigen lassen.
Menü/Einstellungen
Weitere Funktionen und Einstellungen finden sich ergänzend im Menü der App.
Der Nutzer bekommt hier zum einen die Möglichkeit, dass erweiterte Einstellungen zu den Suchanfragen bei Verbindungen oder Abfahrten vorgenommen werden können, und zum anderen, dass er weitere Features verwenden kann. Darunter befindet sich zum Beispiel das Feedbackformular. Hierüber kann unkompliziert Kontakt mit den Entwicklern der D4UM-App per Mail aufgenommen werden. Icons ermöglichen es, dass ein Eindruck zu der App übermittelt werden kann. Ein weiteres Feld für Freitext bietet zudem Platz für individuelle Kritik und einer Meinung zu der App. So kann in Zukunft kundennah an der App weiterentwickelt und einfach auf Wünsche und Meinungen reagiert werden.
Quantifizierungen und Vorhersage von Auswirkungen von Veranstaltungen
Neue Data4UrbanMobility-Forschungsergebnisse ermöglichen es, die räumlichen Auswirkungen von Veranstaltungen zu quantifizieren und vorherzusagen. Dazu werden zusammenhängende, betroffene Straßenabschnitte in der Nähe von Veranstaltungen identifiziert. Auf dieser Grundlage kann dann die räumliche Auswirkung quantifiziert werden. Das Verfahren ist in der folgenden Grafik dargestellt.
(Karte von https://www.openstreetmap.org)
Hier in Gelb markiert ist eine Veranstaltung, in Rot betroffene Straßenabschnitte und in Dunkelblau die gemessene Auswirkung. Weiterhin wurden Verfahren des Maschinellen Lernens angewandt, um diese Auswirkungen zu prognostizieren. Dabei konnte der Fehler gegenüber bestehenden state-of-the-art Ansätzen um bis zu 40% verringert werden.
D4UM – Plattform V1 fertiggestellt
Die erste Version der Data4UrbanMobility Plattform wurde fertiggestellt. Dazu wurde zunächst eine 3-Schichten Architektur der Plattform konzipiert und implementiert. Die Plattform bietet RESTfull Webservices für Mobilitätsapplikationen wie Dashboard-Anwendungen oder Apps an. Als erste Beispielanwendung wurde dazu eine interaktive Karte entwickelt, die die Auswirkungen von Veranstaltungen visualisiert. Ein Ausschnitt aus der Anwendung ist im folgenden Screenshot zu sehen.
Zu sehen sind 4 Veranstaltungen in Hannover. Die Farben entsprechen dabei unterschiedlichen Veranstaltungsarten (etwa Konzerte, Messen, Fußballspiele). Die Kreise visualisieren die räumlichen Auswirkungen, die diese Veranstaltungen auf den Verkehr hatten.
Umfangreicher Anforderungskatalog
Die Data4UrbanMobility Anforderungsanalyse umfasst die Erfassung der Anforderungen der Anwendungspartner Region Hannover (RH) und Wolfsburg AG (WAG), sowie der nicht-funktionalen Anforderungen. Aus den Anforderungen der AnwendungspartnerInnen (RH und WAG), die von MOMA erhoben wurden, sind von L3S Forschungsfragen für die Datenanalyse abgeleitet worden, die sich speziell auf die Informationsbedürfnisse der AnwenderInnen beziehen und im weiteren Projektverlauf adressiert werden.
Die aktuelle Forschungsfragen adressieren insbesondere:
- Automatische Verifikation von Verkehrswarnmeldungen und Prognose von deren Auswirkungen.
- Identifikation von Veranstaltungen und Prognose verkehrsrelevanter Auswirkungen.
- Korrelation von IV-Reiseflussdaten, EFA-Querylogs, Warnmeldungen und Twitterfeeds.
- Bestimmung von optimalen Reisezeitpunkte.
Wachsende Datensammlung
Das ISU hat einen umfassende Datenmatrix mit potentiellen Quellen für mobilitätsrelevante Daten erstellt. Das von L3S entwickelte Data4UrbanMobility Datenmodell beschreibt alle projektrelevanten Daten und setzt diese in Verbindung um die Daten sowohl für die Analyse als auch für die Anwendungen und Apps einheitlich zur Verfügung zu stellen. Die ausgewählten Datenquellen sind von L3S in das Data4UrbanMobility Datenmodell überführt. Einige der Datenquellen wie EFA-logs, und IV-Daten sind dabei auf deren Qualität geprüft worden.
Um die Datenintegration zu ermöglichen sind Werkzeuge zur Extraktion der relevanten Daten aus Mobilitätsrelevanten Datenquellen entwickelt worden:
- Straßen- und Graphextraktion aus OpenStreetMap
- EFA-Anfragen Bulkloader für die Extraktion der ÖPNV Anfragen aus EFA Logs
- Integration von Daten aus dem Zentralen Haltestellen Verzeichnis (ZHV) inklusive Verknüpfung der Daten mit den EFA-Anfragen
Die aktuelle Datensammlung (Stand: 12 Dezember 2017) umfasst:
EFA-Logs: 17 Mio. Suchanfragen
IV-Daten: 174 Tsd. Straßen, alle 15 Minuten
GTFS-Daten: 90 Tsd. Haltestellen, 2,6 Tsd. Routen
Wetter: Radolan Regenraster
Twitter: 2,5 Mio. Tweets ab Juni 2017
OSM: 440 Tsd. Straßen
Events: 21 Tsd. Veranstaltungen (14.08.2016-17.07.2018)
Warnmeldungen: 13 Tsd. Warnmeldungen (ab 06.2017)
Visualisierungen der ÖPNV Informationen
Zur intuitiven Analyse von mobilitätsrelevanten Informationen, insbesondere von ÖPNV Informationen, wurde von den PROJEKTIONISTEN (PROJ) eine Dashboard-Webapplikation konzipiert. Erste Prototypen visualisieren Anfragen an das regionale Fahrplanauskunftsystem EFA (www.efa.de) und dienen als Ausgangsbasis für explorative Analysen und die Implementierung der produktiven Version des Dashboards. Im Folgenden ist eine im Dashboard integrierte Visualisierung der häufigsten Start- und Ziel-punkte zu sehen.
Analysen der EFA-Logs
Als erste Forschungsfrage wird aktuell die Analyse der Auswirkungen der Veranstaltungen auf dem ÖPNV mit Methoden des Maschinellen Lernens analysiert. Hierzu wurden in explorativen Datenanalysen der Einfluss von großen Veranstaltungen wie z.B. Fussballspielen und mittelgroßen Veranstaltungen, etwa Konzerte, auf Anfragen an den ÖPNV betrachtet. Als Grundlage für umfassende Analysen wurden mit Hilfe visueller Methoden exemplarisch Korrelation zwischen ÖPNV-Nachfrage und Veranstaltungszeiträumen detektiert.
Dabei zeichnen sich z.B. für Hannovers Innenstadt klare, sternförmige Muster ab, die zentrale Mobilitätsknoten identifizieren.
Das Bild stellt die Luftlinie zwischen Start- und Ziel-Ort der Anfragen dar. Dabei entsprechen dunklere Farben häufigeren Strecken. Hier werden deutlich Hannover Hauptbahnhof und Hannover Kröpcke (die zentrale U-Bahn Station) als Mobilitätsknoten identifiziert.
Analysen der Nachfrage für einzelne Stationen lassen wochentagspezifische Muster erkennen.
Hier dargestellt sind die durchschnittliche Anzahl der Anfragen mit der Ziel-Haltestelle “Hannover Stadionbrücke”. Zu erkennen sind vor allem Unterschiede zwischen Werktagen und dem Wochenende.
Auch der Einfluss von Veranstaltungen kann mit Hilfe der Anfragen visualisiert werden:
Dargestellt sind die Anzahl der Anfragen mit Ziel “Hannover Stadionbrücke” für Mittwoch, den 26.04.2017 (Orange) sowie die durchschnittlichen Anzahl von Anfragen, die mittwochs mit gleichem Ziel gestellt wird (Blau).
An diesem Tag fand in einer nahe gelegenen Konzerthalle ein Konzert statt, das um 20 Uhr begann. Die signifikante Abweichung zwischen 17 und 19 Uhr wurde sehr wahrscheinlich von den anreisenden Gästen verursacht wurde. Dies illustriert, dass Anfragen an den ÖPNV eine wertvolle Informationsquelle sein können, um Prognosen über die Auswirkung von Veranstaltungen auf Mobilität zu erstellen.
- Estimation of Cardiovascular Risk Using SCORE2, REGICOR and Vascular Age Scales in Spanish Healthcare Workers: A Retrospective Longitudinal Study. Marcos, Pedro Javier Tárraga; López, Pedro Juan Tárraga; López-González, Ángel Arturo; Rifá, Emilio Martínez-Almoyna; Oliveira, Hernán Paublini; Sánchez, Cristina Martorell; Ramírez-Manent, José Ignacio (2025). 13(4) 375-.
- Body Fat and Visceral Fat Values in Spanish Healthcare Workers: Associated Variables. Tárraga Marcos, Pedro Javier; López-González, Ángel Arturo; Martínez-Almoyna Rifá, Emilio; Paublini Oliveira, Hernán; Martorell Sánchez, Cristina; Tárraga López, Pedro Juan; Ramírez-Manent, José Ignacio (2025). 17(4) 649-.
- Risk of Insulin Resistance in 44,939 Spanish Healthcare Workers: Association with Sociodemographic Variables and Healthy Habits. Tárraga Marcos, Pedro Javier; López-González, Ángel Arturo; Martínez-Almoyna Rifá, Emilio; Paublini Oliveira, Hernán; Martorell Sánchez, Cristina; Tárraga López, Pedro Juan; Ramírez-Manent, José Ignacio (2025). 13(2) 33-.
- Compartment model of strategy-dependent time delays in replicator dynamics. Fic, Małgorzata; Bastian, Frank; Miȩkisz, Jacek; Gokhale, Chaitanya S. (2025). 601 112044.
- Self-Aligned InGaZnO Thin-Film Transistors and Circuits on Transparent Thin Glass and FEP Film. Corsino, Dianne C.; Catania, Federica; Garner, Sean; Cantarella, Giuseppe; Münzenrieder, Niko (2024). 3(11) 484–491.
- Generating High-Quality Symbolic Music Using Fine-Grained Discriminators. Zhang, Zhedong; Li, Liang; Zhang, Jiehua; Hu, Zhenghui; Wang, Hongkui; Yan, Chenggang; Yang, Jian; Qi, Yuankai in Lecture Notes in Computer Science, A. Antonacopoulos, S. Chaudhuri, R. Chellappa, C.-L. Liu, S. Bhattacharya, U. Pal (eds.) (2024). (Vol. 15320) 332–344.
- SM4Depth: Seamless Monocular Metric Depth Estimation across Multiple Cameras and Scenes by One Model. Liu, Yihao; Xue, Feng; Ming, Anlong; Zhao, Mingshuai; Ma, Huadong; Sebe, Nicu J. Cai, M. S. Kankanhalli, B. Prabhakaran, S. Boll, R. Subramanian, L. Zheng, V. K. Singh, P. César, L. Xie, D. Xu (eds.) (2024). 3469–3478.
- MedIE-Instruct: A Comprehensive Instruction Dataset for Medical Information Extraction. Xiang, Zhuoyi; Wang, Xinda; Yan, Xiaodong; Zhao, Deng; Ding, Keyan; Zhang, Qiang V. S. Sheng, C. Hicks, C. Ling, V. Raghavan, X. Wu (eds.) (2024). 420–427.
- Generating Multiple Choice Questions from Scientific Literature via Large Language Models. Luo, Shunyang; Tang, Yuqi; Jiang, Mingyuan; Feng, Kehua; Zhang, Qiang; Ding, Keyan V. S. Sheng, C. Hicks, C. Ling, V. Raghavan, X. Wu (eds.) (2024). 219–226.
- Instance-Level Neural Feature Selection Based on Disentanglement Enhancement. Liu, Zihao; Pan, Jun; Wang, Hao; Yu, Kui V. S. Sheng, C. Hicks, C. Ling, V. Raghavan, X. Wu (eds.) (2024). 211–218.
- Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective. Zhang, Wen; Chen, Jiaoyan; Li, Juan; Xu, Zezhong; Pan, Jeff Z.; Chen, Huajun V. S. Sheng, C. Hicks, C. Ling, V. Raghavan, X. Wu (eds.) (2024). 492–499.
- Deep Learning for SLP-based ISAC Waveform Design. Jiang, Peng; Liu, Rang; Li, Ming; Xiao, Zichao; Liu, Qian (2024). 2270–2275.
- A Novel Dynamic Hybrid Beamforming Design for ELAA Systems. Liu, Mengzhen; Li, Ming; Liu, Rang; Liu, Qian (2024). 4494–4499.
- MuSc: Zero-Shot Industrial Anomaly Classification and Segmentation with Mutual Scoring of the Unlabeled Images. Li, Xurui; Huang, Ziming; Xue, Feng; Zhou, Yu (2024).
- Enhancing Risk Assessment in Transformers with Loss-at-Risk Functions. Zhang, Jinghan; Xie, Henry; Zhang, Xinhao; Liu, Kunpeng V. S. Sheng, C. Hicks, C. Ling, V. Raghavan, X. Wu (eds.) (2024). 477–484.
- Impacts and State-Dependence of AMOC Weakening in a Warming Climate. Bellomo, Katinka; Mehling, Oliver (2024). 51(10) e2023GL107624.
- Catalysing cooperation: the power of collective beliefs in structured populations. Fic, Małgorzata; Gokhale, Chaitanya S. (2024). 1(1) 6.
- Effects of time spent in pregnancy or brooding on immunocompetence. Revathi Venkateswaran, Vandana; Gokhale, Chaitanya S.; Mangel, Marc; Eliassen, Sigrunn (2024). 14(1) e10764.
- Terrain Classification Based on Wheel-terrain Interaction Measurements using Aside-Wheel Camera. Xue, Feng; Hu, Longteng; Yao, Chen; Wei, Jin; Li, Yunzhou; Wang, Peichen; Zhu, Zheng; Jia, Zhenzhong (2023). 1–6.
- Theoretical assessment of persistence and adaptation in weeds with complex life cycles. Lauenroth, Dana; Gokhale, Chaitanya S. (2023). 9(8) 1267–1279.
- Uncertainty-Aware Image Captioning. Fei, Zhengcong; Fan, Mingyuan; Zhu, Li; Huang, Junshi; Wei, Xiaoming; Wei, Xiaolin B. Williams, Y. Chen, J. Neville (eds.) (2023). 614–622.
- Terrain Classification Using Inside-Wheel Cameras Based on Wheel-Terrain Interaction Characteristics. Hu, Longteng; Xue, Feng; Yao, Chen; Li, Yunzhou; Wei, Jin; Wang, Peichen; Zhu, Zheng; Jia, Zhenzhong (2023). 1–6.
- The Effect of Mating Complexity on Gene Drive Dynamics. Verma, Prateek; Reeves, R Guy; Simon, Samson; Otto, Mathias; Gokhale, Chaitanya S (2023). 201(1) E1-E22.
- Optimizing crop rotations via Parrondo’s paradox for sustainable agriculture. Gokhale, Chaitanya S.; Sharma, Nikhil (2023). 10(5) 221401.
- Multimodal Counterfactual Learning Network for Multimedia-based Recommendation. Li, Shuaiyang; Guo, Dan; Liu, Kang; Hong, Richang; Xue, Feng H.-H. Chen, W.-J. (Edward) Duh, H.-H. Huang, M. P. Kato, J. Mothe, B. Poblete (eds.) (2023). 1539–1548.
- A Quantize-then-Estimate Protocol for CSI Acquisition in IRS-Aided Downlink Communication. Wang, Rui; Wang, Zhaorui; Liu, Liang; Zhang, Shuowen; Jin, Shi (2023). 6127–6132.
- Unknown Sniffer for Object Detection: Don’t Turn a Blind Eye to Unknown Objects. Liang, Wenteng; Xue, Feng; Liu, Yihao; Zhong, Guofeng; Ming, Anlong (2023). 3230–3239.
- Bias Reduced Semidefinite Relaxation Method for Multistatic Localization in the Absence of Transmitter Position And Its Synchronization. Pei, Jian; Wang, Gang; Ho, K. C.; Huang, Lei (2023). 1–5.
- Masked Auto-Encoders Meet Generative Adversarial Networks and Beyond. Fei, Zhengcong; Fan, Mingyuan; Zhu, Li; Huang, Junshi; Wei, Xiaoming; Wei, Xiaolin (2023). 24449–24459.
- Social engineering: how crowdmasters, phreaks, hackers, and trolls created a new form of manipulative communication Gehl, Robert W.; Lawson, Sean T. (2022). Cambridge, The MIT Press.
- Fast Road Segmentation via Uncertainty-aware Symmetric Network. Chang, Yicong; Xue, Feng; Sheng, Fei; Liang, Wenteng; Ming, Anlong (2022). 11124–11130.
- Feature Selection and Extreme Learning Machine Tuning by Hybrid Sand Cat Optimization Algorithm for Diabetes Classification. Stankovic, Marko; Bacanin, Nebojsa; Zivkovic, Miodrag; Jovanovic, Dijana; Antonijevic, Milos; Bukmira, Milos; Strumberger, Ivana in Communications in Computer and Information Science, D. Simian, L. F. Stoica (eds.) (2022). (Vol. 1761) 188–203.
- Multivariate Time Series Anomaly Detection with Few Positive Samples. Xue, Feng; Yan, Weizhong (2022). 1–7.
- Monocular Depth Distribution Alignment with Low Computation. Sheng, Fei; Xue, Feng; Chang, Yicong; Liang, Wenteng; Ming, Anlong (2022). 6548–6555.
- Morphable Detector for Object Detection on Demand. Zhao, Xiangyun; Zou, Xu; Wu, Ying (2021). 4751–4760.
- Multi-stage Knowledge Propagation Network for Recommendation. Xue, Feng; Zhou, Wenjie; Hong, Zikun; Liu, Kang in Communications in Computer and Information Science, B. Qin, Z. Jin, H. Wang, J. Z. Pan, Y. Liu, B. An (eds.) (2021). (Vol. 1466) 253–264.
- Spatial-Temporal Super-Resolution of Satellite Imagery via Conditional Pixel Synthesis. He, Yutong; Wang, Dingjie; Lai, Nicholas; Zhang, William; Meng, Chenlin; Burke, Marshall; Lobell, David B.; Ermon, Stefano M. Ranzato, A. Beygelzimer, Y. N. Dauphin, P. Liang, J. W. Vaughan (eds.) (2021). 27903–27915.
- Graph Attention-Based Deep Neural Network for 3D Point Cloud Processing. Li, Xun; Xue, Feng; Chen, Chao; Yuan, Xiaohui; Lu, Qiang (2021). 1–6.
- Learning Associations between Features and Clusters: An Interpretable Deep Clustering Method. Huang, Hao; Xue, Feng; Yan, Weizhong; Wang, Tianyi; Yoo, Shinjae; Xu, Chenxiao (2021). 1–10.
- Intelligent Visualization System for Big Multi-source Medical Data Based on Data Lake. Ren, Peng; Mao, Ziyun; Li, Shuaibo; Xiao, Yang; Ke, Yating; Yao, Lanyu; Lan, Hao; Li, Xin; Sheng, Ming; Zhang, Yong in Lecture Notes in Computer Science, C. Xing, X. Fu, Y. Zhang, G. Zhang, C. Borjigin (eds.) (2021). (Vol. 12999) 706–717.
- MHDP: An Efficient Data Lake Platform for Medical Multi-source Heterogeneous Data. Ren, Peng; Li, Shuaibo; Hou, Wei; Zheng, Wenkui; Li, Zhen; Cui, Qin; Chang, Wang; Li, Xin; Zeng, Chun; Sheng, Ming; Zhang, Yong in Lecture Notes in Computer Science, C. Xing, X. Fu, Y. Zhang, G. Zhang, C. Borjigin (eds.) (2021). (Vol. 12999) 727–738.
- Science-utility and science-trust associations and how they relate to knowledge about how science works. Schoor, Cornelia; Schütz, Astrid (2021). 16(12) 1–21.
- Flight data anomaly detection and diagnosis with variable association change. He, Sijie; Huang, Hao; Yoo, Shinjae; Yan, Weizhong; Xue, Feng; Wang, Tianyi; Xu, Chenxiao C.-C. Hung, J. Hong, A. Bechini, E. Song (eds.) (2021). 346–354.
- Imbalanced Time Series Classification for Flight Data Analyzing with Nonlinear Granger Causality Learning. Huang, Hao; Xu, Chenxiao; Yoo, Shinjae; Yan, Weizhong; Wang, Tianyi; Xue, Feng M. d’Aquin, S. Dietze, C. Hauff, E. Curry, P. Cudré-Mauroux (eds.) (2020). 2533–2540.
- On The Degrees Of Freedom in Total Variation Minimization. Xue, Feng; Blu, Thierry (2020). 5690–5694.
- A Novel Multi-layer Framework for Tiny Obstacle Discovery. Xue, Feng; Ming, Anlong; Zhou, Menghan; Zhou, Yu (2019). 2939–2945.
- An Iterative Sure-Let Deconvolution Algorithm Based on BM3D Denoiser. Xue, Feng; Li, Jizhou; Blu, Thierry (2019). 1795–1799.
- Discriminative and Correlative Partial Multi-Label Learning. Wang, Haobo; Liu, Weiwei; Zhao, Yang; Zhang, Chen; Hu, Tianlei; Chen, Gang S. Kraus (ed.) (2019). 3691–3697.
- Mining Graphs and Networks: A 15-Year Journey. Pei, Jian in CEUR Workshop Proceedings, A. Bifet, M. Berlingerio, J. Gama, J. Read, A. R. Nogueira (eds.) (2019). (Vol. 2579)
- Occlusion-Shared and Feature-Separated Network for Occlusion Relationship Reasoning. Lu, Rui; Xue, Feng; Zhou, Menghan; Ming, Anlong; Zhou, Yu (2019). 10342–10351.
- Generative Creativity: Adversarial Learning for Bionic Design. Yu, Simiao; Dong, Hao; Wang, Pan; Wu, Chao; Guo, Yike in Lecture Notes in Computer Science, I. V. Tetko, V. Kurková, P. Karpov, F. J. Theis (eds.) (2019). (Vol. 11729) 525–536.
- Recursive Evaluation of Sure for Total Variation Denoising. Xue, Feng; Blu, Thierry; Liu, Jiaqi; Ai, Xia (2018). 1338–1342.
- Security-Driven Task Scheduling for Multiprocessor System-on-Chips with Performance Constraints. Wang, Nan; Yao, Manting; Jiang, Dongxu; Chen, Song; Zhu, Yu (2018). 545–550.
- Visual-SLIM: Integrated Sparse Linear Model with Visual Features for Personalized Recommendation. Chen, Siyang; Xue, Feng; Zhang, Haobo in Lecture Notes in Computer Science, R. Hong, W.-H. Cheng, T. Yamasaki, M. Wang, C.-W. Ngo (eds.) (2018). (Vol. 11164) 126–135.
- A Novel Gcv-Based Criterion for Parameter Selection In Image Deconvolution. Xue, Feng; Blu, Thierry; Liu, Jiaqi; Ai, Xia (2018). 1403–1407.
- How to Exploit Weaknesses in Biomedical Challenge Design and Organization. Reinke, Annika; Eisenmann, Matthias; Onogur, Sinan; Stankovic, Marko; Scholz, Patrick; Full, Peter M.; Bogunovic, Hrvoje; Landman, Bennett A.; Maier, Oskar; Menze, Bjoern H.; Sharp, Gregory C.; Sirinukunwattana, Korsuk; Speidel, Stefanie; van der Sommen, Fons; Zheng, Guoyan; Müller, Henning; Kozubek, Michal; Arbel, Tal; Bradley, Andrew P.; Jannin, Pierre; Kopp-Schneider, Annette; Maier-Hein, Lena in Lecture Notes in Computer Science, A. F. Frangi, J. A. Schnabel, C. Davatzikos, C. Alberola-López, G. Fichtinger (eds.) (2018). (Vol. 11073) 388–395.
- Gaussian blur estimation for photon-limited images. Li, Jizhou; Xue, Feng; Blu, Thierry (2017). 495–499.
- Same but different? Measurement invariance of the PIAAC motivation-to-learn scale across key socio-demographic groups. Gorges, Julia; Koch, Tobias; Maehler, Débora B.; Offerhaus, Judith (2017). 5(1)
- Abstract: Können wir Rankings vertrauen? Eine systematische Analyse biomedizinischer Challenges hinsichtlich Reporting und Design. Eisenmann, Matthias; Scholz, Patrick; Stankovic, Marko; Jannin, Pierre; Stock, Christian; Maier-Hein, Lena in Informatik Aktuell, K. H. Maier-Hein, T. M. Deserno, H. Handels, T. Tolxdorff (eds.) (2017). 49.
- An iterative sure-let approach to sparse reconstruction. Xue, Feng; Blu, Thierry; Du, Runle; Liu, Jiaqi (2016). 4493–4497.
- Modelling Sentence Pairs with Tree-structured Attentive Encoder. Zhou, Yao; Liu, Cong; Pan, Yan N. Calzolari, Y. Matsumoto, R. Prasad (eds.) (2016). 2912–2922.
- I Just Don’t Trust Them: The Development and Validation of an Assessment Instrument to Measure Trust in Science and Scientists. Nadelson, Louis; Jorcyk, Cheryl; Yang, Dazhi; Jarratt Smith, Mary; Matson, Sam; Cornell, Ken; Husting, Virginia (2014). 114(2) 76–86.
- A Localized Efficient Forwarding Algorithm in Large-Scale Delay Tolerant Networks. He, Yuxing; Liu, Cong; Pan, Yan; Zhang, Jun; Wu, Jie; Zhao, Yaxiong; Yang, Shuhui; Lu, Mingming (2014). 594–599.
- SURE-LET image deconvolution using multiple Wiener filters. Xue, Feng; Luisier, Florian; Blu, Thierry (2012). 3037–3040.
- Sure-based blind Gaussian deconvolution. Xue, Feng; Blu, Thierry (2012). 452–455.
- A compact integrated 100 GS/s sampling module for UWB see through wall radar with fast refresh rate for dynamic real time imaging. Liu, Quanhua; Wang, Yazhou; Fathy, Aly E. (2012). 59–62.
- Sonic Hedgehog Signaling Inhibition Provides Opportunities for Targeted Therapy by Sulforaphane in Regulating Pancreatic Cancer Stem Cell Self-Renewal. Rodova, Mariana; Fu, Junsheng; Watkins, Dara Nall; Srivastava, Rakesh K.; Shankar, Sharmila (2012). 7(9) 1–10.
- Suggesting Topic-Based Query Terms as You Type. Fan, Ju; Wu, Hao; Li, Guoliang; Zhou, Lizhu W.-S. Han, D. Srivastava, G. Yu, H. Yu, Z. H. Huang (eds.) (2010). 61–67.
- Firefly: illuminating future network-on-chip with nanophotonics. Pan, Yan; Kumar, Prabhat; Kim, John; Memik, Gokhan; Zhang, Yu; Choudhary, Alok N. S. W. Keckler, L. A. Barroso (eds.) (2009). 429–440.
- Jet engine gas path fault diagnosis using dynamic fusion of multiple classifiers. Yan, Weizhong; Xue, Feng (2008). 1585–1591.
- Temperature Control in Precalcinator with Dual Heuristic Dynamic Programming. Lin, Xiaofeng; Zhang, Zhigang; Liu, Derong (2007). 344–349.
- Probabilistic Skylines on Uncertain Data. Pei, Jian; Jiang, Bin; Lin, Xuemin; Yuan, Yidong C. Koch, J. Gehrke, M. N. Garofalakis, D. Srivastava, K. Aberer, A. Deshpande, D. Florescu, C. Y. Chan, V. Ganti, C.-C. Kanne, W. Klas, E. J. Neuhold (eds.) (2007). 15–26.
- Minimality Attack in Privacy Preserving Data Publishing. Wong, Raymond Chi-Wing; Fu, Ada Wai-Chee; Wang, Ke; Pei, Jian C. Koch, J. Gehrke, M. N. Garofalakis, D. Srivastava, K. Aberer, A. Deshpande, D. Florescu, C. Y. Chan, V. Ganti, C.-C. Kanne, W. Klas, E. J. Neuhold (eds.) (2007). 543–554.
- Efficiently Answering Top-k Typicality Queries on Large Databases. Hua, Ming; Pei, Jian; Fu, Ada Wai-Chee; Lin, Xuemin; fung Leung, Ho C. Koch, J. Gehrke, M. N. Garofalakis, D. Srivastava, K. Aberer, A. Deshpande, D. Florescu, C. Y. Chan, V. Ganti, C.-C. Kanne, W. Klas, E. J. Neuhold (eds.) (2007). 890–901.
- Parametric model-based anomaly detection for locomotive subsystems. Xue, Feng; Yan, Weizhong (2007). 3074–3079.
- A Review of Two Industrial Deployments of Multi-criteria Decision-making Systems at General Electric. Subbu, Raj; Bonissone, Piero P.; Bollapragada, Srinivas; Chalermkraivuth, Kete Charles; Eklund, Neil H. W.; Iyer, Naresh; Shah, Rasik; Xue, Feng; Yan, Weizhong (2007). 136–145.
- Multi-Dimensional Analysis of Data Streams Using Stream Cubes. Han, Jiawei; Cai, Yandong; Chen, Yixin; Dong, Guozhu; Pei, Jian; Wah, Benjamin W.; Wang, Jianyong C. C. Aggarwal (ed.) (2007). (Vol. 31) 103–125.
- Minimum Description Length Principle: Generators Are Preferable to Closed Patterns. Li, Jinyan; Li, Haiquan; Wong, Limsoon; Pei, Jian; Dong, Guozhu (2006). 409–414.
- Achieving k-Anonymity by Clustering in Attribute Hierarchical Structures. Li, Jiuyong; Wong, Raymond Chi-Wing; Fu, Ada Wai-Chee; Pei, Jian in Lecture Notes in Computer Science, A. M. Tjoa, J. Trujillo (eds.) (2006). (Vol. 4081) 405–416.
- Catching the Best Views of Skyline: A Semantic Approach Based on Decisive Subspaces. Pei, Jian; Jin, Wen; Ester, Martin; Tao, Yufei K. Böhm, C. S. Jensen, L. M. Haas, M. L. Kersten, P.- Åke Larson, B. C. Ooi (eds.) (2005). 253–264.
- Mining Most General Multidimensional Summarization of Probably Groups in Data Warehouses. Yu, Hui; Pei, Jian; Tang, Shiwei; Yang, Dongqing J. Frew (ed.) (2005). 185–194.
- Efficiently Mining Frequent Closed Partial Orders. Pei, Jian; Liu, Jian; Wang, Haixun; Wang, Ke; Yu, Philip S.; Wang, Jianyong (2005). 753–756.
- GraphMiner: a structural pattern-mining system for large disk-based graph databases and its applications. Wang, Wei; Wang, Chen; Zhu, Yongtai; Shi, Baile; Pei, Jian; Yan, Xifeng; Han, Jiawei F. Özcan (ed.) (2005). 879–881.
- Preface to CoMWIM 2004. Yang, Dongqing; Tang, Shiwei; Pei, Jian; Wang, Tengjiao; Gao, Jun in Lecture Notes in Computer Science, S. Wang, D. Yang, K. Tanaka, F. Grandi, S. Zhou, E. E. Mangina, T. W. Ling, I.-Y. Song, J. Guan, H. C. Mayr (eds.) (2004). (Vol. 3289) 197.
- Data Mining: The Next Generation. Ramakrishnan, Raghu; Agrawal, Rakesh; Freytag, Johann-Christoph; Bollinger, Toni; Clifton, Christopher W.; Dzeroski, Saso; Hipp, Jochen; Keim, Daniel A.; Kramer, Stefan; Kriegel, Hans-Peter; Leser, Ulf; Liu, Bing; Mannila, Heikki; Meo, Rosa; Morishita, Shinichi; Ng, Raymond T.; Pei, Jian; Raghavan, Prabhakar; Spiliopoulou, Myra; Srivastava, Jaideep; Torra, Vicenç in Dagstuhl Seminar Proceedings, R. Agrawal, J.-C. Freytag, R. Ramakrishnan (eds.) (2004). (Vol. 04292)
- Data Mining for Intrusion Detection: Techniques, Applications and Systems. Pei, Jian; Upadhyaya, Shambhu J.; Farooq, Faisal; Govindaraju, Venugopal Z. M. Özsoyoglu, S. B. Zdonik (eds.) (2004). 877.
- A Fast Algorithm for Subspace Clustering by Pattern Similarity. Wang, Haixun; Chu, Fang; Fan, Wei; Yu, Philip S.; Pei, Jian (2004). 51–60.
- MaPle: A Fast Algorithm for Maximal Pattern-based Clustering. Pei, Jian; Zhang, Xiaoling; Cho, Moonjung; Wang, Haixun; Yu, Philip S. (2003). 259–266.
- SOCQET: Semantic OLAP with Compressed Cube and Summarization. Lakshmanan, Laks V. S.; Pei, Jian; Zhao, Yan A. Y. Halevy, Z. G. Ives, A. Doan (eds.) (2003). 658.
- Mining Confident Colocation Rules without A Support Threshold. Huang, Yan; Xiong, Hui; Shekhar, Shashi; Pei, Jian G. B. Lamont, H. Haddad, G. A. Papadopoulos, B. Panda (eds.) (2003). 497–501.
- QC-Trees: An Efficient Summary Structure for Semantic OLAP. Lakshmanan, Laks V. S.; Pei, Jian; Zhao, Yan A. Y. Halevy, Z. G. Ives, A. Doan (eds.) (2003). 64–75.
- ApproxMAP: Approximate Mining of Consensus Sequential Patterns. Kum, Hye-Chung; Pei, Jian; Wang, Wei; Duncan, Dean D. Barbará, C. Kamath (eds.) (2003). 311–315.
- On Computing Condensed Frequent Pattern Bases. Pei, Jian; Dong, Guozhu; Zou, Wei; Han, Jiawei (2002). 378–385.
- Quotient Cube: How to Summarize the Semantics of a Data Cube. Lakshmanan, Laks V. S.; Pei, Jian; Han, Jiawei (2002). 778–789.
- Online Analytical Processing Stream Data: Is It Feasible?. Chen, Yixin; Dong, Guozhu; Han, Jiawei; Pei, Jian; Wah, Benjamin W.; Wang, Jianyong (2002).
- PrefixSpan: Mining Sequential Patterns by Prefix-Projected Growth. Pei, Jian; Han, Jiawei; Mortazavi-Asl, Behzad; Pinto, Helen; Chen, Qiming; Dayal, Umeshwar; Hsu, Meichun D. Georgakopoulos, A. Buchmann (eds.) (2001). 215–224.
- Fault-Tolerant Frequent Pattern Mining: Problems and Challenges. Pei, Jian; Tung, Anthony K. H.; Han, Jiawei (2001).
- Multi-Dimensional Sequential Pattern Mining. Pinto, Helen; Han, Jiawei; Pei, Jian; Wang, Ke; Chen, Qiming; Dayal, Umeshwar (2001). 81–88.
- FreeSpan: frequent pattern-projected sequential pattern mining. Han, Jiawei; Pei, Jian; Mortazavi-Asl, Behzad; Chen, Qiming; Dayal, Umeshwar; Hsu, Meichun R. Ramakrishnan, S. J. Stolfo, R. J. Bayardo, I. Parsa (eds.) (2000). 355–359.
- Humanisme de l’Autre Homme Lévinas, Emmanuel (1972). LGF/Le Livre de Poche, [Montpellier].