Ergebnisse

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:

  1.  Automatische Verifikation von Verkehrswarnmeldungen und Prognose von deren Auswirkungen.
  2.  Identifikation von Veranstaltungen und Prognose verkehrsrelevanter Auswirkungen.
  3. Korrelation von IV-Reiseflussdaten, EFA-Querylogs, Warnmeldungen und Twitterfeeds.
  4. 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.

 

  • ARCADES: A RISC-V-Coupled Accelerator for Discrete Event Simulation. Wilbert, Nils; Christ, Derek; Grundheber, Timo; Jung, Matthias in RAPIDO ’26 (2026).
  • ARCADES: A RISC-V-Coupled Accelerator for Discrete Event Simulation. Wilbert, Nils; Christ, Derek; Grundheber, Timo; Jung, Matthias in RAPIDO ’26 (2026).
  • Expanding the Late Quaternary morphochronology of Atacama’s coastal alluvial fans by Schmidt hammer exposure dating reveals spatially distinct genesis. Walk, Janek (2026). 21 100305.
  • Expanding the Late Quaternary morphochronology of Atacama’s coastal alluvial fans by Schmidt hammer exposure dating reveals spatially distinct genesis. Walk, Janek (2026). 21 100305.
  • Implementation and Evaluation of Mobility Functions and QoS Metrics for Mobile Nodes in MARKlab. Technical Report (Master thesis), Finke, Nikolas PhD thesis, University of Würzburg. (2025, September).
  • Sustainable Sacrificial Layer Free Transfer of Thin-Film Electronics using a Super-Hydrophilic Substrate. Nijkoops, Annelot; Zamboni, Riccardo; Maqsood, Hafiza Faiqa; Rasheed, Ahmed; Gurusekaran, Arvind; Alleva, Alessandro; Boom, Remko Marcel; Petti, Luisa; Münzenrieder, Niko (2025). 7(21) 9610–9622.
  • Submersible touchless interactivity in conformable textiles enabled by highly selective overbraided magnetoresistive sensors. Lugoda, Pasindu; Oliveros-Mata, Eduardo Sergio; Marasinghe, Kalana; Bhaumik, Rahul; Pretto, Niccolò; Oliveira, Carlos; Dias, Tilak; Hughes-Riley, Theodore; Haller, Michael; Münzenrieder, Niko; Makarov, Denys (2025). 4(1) 33.
  • Inductive Pressure Sensors Using 3D-Printed Structures With Tunable Stiffness. Bhaumik, Rahul; Preindl, Thomas; Ion, Alexandra; Ayala-Garcia, Camilo; Cohen, Nitzan; Haller, Michael; Münzenrieder, Niko (2025). 9(5) 1–4.
  • Soft magnetic microrobots with remote sensing and communication capabilities. Gao, Quan; Kim, Minsoo; von Arx, Denis; Zhang, Elric; Zhang, Xinzhi; Ye, Hao; Vogt, Christian; Ehmke, Claas; Corsino, Dianne; Catania, Federica; Münzenrieder, Niko; Magno, Michele; Cantarella, Giuseppe; Nelson, Bradley J.; Pané, Salvador (2025). 16(1) 10489.
  • Embroidering Resonant Circuits for Inductive Pressure Sensing. Pointner, Andreas; Preindl, Thomas; Haberfellner, Mira A.; Cohen, Nitzan; Münzenrieder, Niko; Haller, Michael in UIST ’25 (2025). 1–7.
  • Direct Fabrication and Performance Evaluation of InGaZnO Thin-Film Electronics on a Flexible Polyurethane Substrate. Münzenrieder, Niko; Petti, Luisa; de Souza Oliveira, Hugo; Cantarella, Giuseppe; Libanori, Rafael; Studart, André R. (2025). 1–5.
  • InGaZnO‐Based Thin‐Film Thermistors on PEEK Fabric for Green Smart Textiles. Lanthaler, Albert Heinrich; Vasquez, Sahira; Zamboni, Riccardo; Haller, Michael; Petti, Luisa; Münzenrieder, Niko; Cantarella, Giuseppe (2025). 11(18) e00146.
  • Threshold Voltage Instability and Dielectric Breakdown in Flexible Bottom-Gate Ti/Al2O3/IGZO Thin-Film Transistors. De Rosis, Domenico; Vatalaro, Massimo; Maccaronio, Vincenzo; Crupi, Felice; Münzenrieder, Niko; Catania, Federica; Corsino, Dianne; Cantarella, Giuseppe; Petti, Luisa; De Rose, Raffaele (2025). 4(8) 310–317.
  • DigSmart -- Unterstützung beim Baggern durch Laserprojektion. Anteunis, L.; Nüchter, A. (2025). 133(6) 171–180.
  • Sensing performance of EGFET nitrate sensor with zinc oxide (ZnO) and polyaniline (PANI). Robaiah, M.; Abdullah, N.F.; Khusaimi, Z.; Afaah, A.N.; Münzenrieder, N.; Abdullah, W.F.H. (2025). 1038 182364.
  • Enhancing Humidity Sensing with Functionalized Perylene-Coated Dispense Printed Electrodes: A Comparative Study. Vasquez, Sahira; Morales-Cámara, Samuel; Moraila, Carmen; Houeix, Yann; Blasco Pascual, Isabel; Salmerón, José F.; Rodríguez-Diéguez, Antonio; Rojas, Sara; Münzenrieder, Niko; Petti, Luisa; Lugli, Paolo; Rivadeneyra, Almudena (2025). 7(14) 6311–6321.
  • Application of Agave Silk Fibers in Sustainable and Flexible Electronics. Krik, S.; Rasheed, A.; Trentini, G.; Pompilio, M.; Gharehbagh, J. S.; Maqsood, H. F.; Bombardelli, G.; Lugli, P.; Petti, L.; Gaiardo, A.; Münzenrieder, N.; Cacialli, F.; Ciocca, M. (2025). 1–4.
  • Relative Gate Placement in Multimodal Thin‐Film Transistors for Negligible Impact on DC Characteristics. Niaz, Atif; Bestelink, Eva; Münzenrieder, Niko; Sporea, Radu A. (2025). 56(S1) 92–92.
  • Enabling Proprioception in Multistable Soft Machines Through Embedded Soft Capacitive Sensors. de Souza Oliveira, Hugo; Li, Xin; Khaanghah, Niloofar Saeedzadeh; Münzenrieder, Niko; Milana, Edoardo (2025). 4(8) 324–332.
  • Flexible InGaZnO Thin-Film Transistors With Gelatin Gate Dielectric for Nonvolatile Memory. Konwar, Gargi; Lanthaler, Albert Heinrich; Singh, Ritesh Kumar; Catania, Federica; Münzenrieder, Niko; Cantarella, Giuseppe; Tiwari, Shree Prakash (2025). 4(5) 188–193.
  • Ammonia Dynamics in the Human Body: Insights in Biomedical Sensing Technologies. Nijkoops, Annelot; Ciocca, Manuela; Costa Angeli, Martina Aurora; Pogliaghi, Silvia; Krik, Soufiane; Avancini, Enrico; Münzenrieder, Niko; Lugli, Paolo; Petti, Luisa (2025). 4(7) 2400179.
  • Thermal Sensors on Cellulose Based Substrate for Green Thin-Film Electronics. Maqsood, Hafiza Faiqa; Rasheed, Ahmed; Krik, Soufiane; Masoumi, Fahimeh; Cacialli, Franco; Lugli, Paolo; Petti, Luisa; Münzenrieder, Niko; Cantarella, Giuseppe (2025). 1–4.
  • Natural Wood Substrates for Flexible Thin-Film Temperature Sensors. Masoumi, Fahimeh; Nijkoops, Annelot; Carrasco-Pena, Alejandro; Van Bezooijen, Aart; Cohen, Nitzan; Maqsood, Hafiza Faiqa; Haller, Michael; Cantarella, Giuseppe; Münzenrieder, Niko (2025). 1–4.
  • Mechanical metamaterial sensors: from design to applications. de Souza Oliveira, Hugo; Saeedzadeh Khaanghah, Niloofar; Elli, Giulia; Petti, Luisa; Cantarella, Giuseppe; Milana, Edoardo; Münzenrieder, Niko (2025). 58(13) 133002.
  • Curaduría. Maya, Yuliana (YulianaMaya, ed.) (2025). 269–284.
  • Slip Casting as a Machine for Making Textured Ceramic Interfaces. Han, Bo; Lim, Jared; Lim, Kianne; Choo, Adam; Yen, Ching Chiuan; Ang, Genevieve; Zheng, Clement N. Yamashita, V. Evers, K. Yatani, S. X. Ding, B. Lee, M. Chetty, P. O. T. Dugas (eds.) (2025). 442:1–442:18.
  • SqueezeMe: Creating Soft Inductive Pressure Sensors with Ferromagnetic Elastomers. Preindl, Thomas; Pointner, Andreas; Kumar, Nimal Jagadeesh; Cohen, Nitzan; Münzenrieder, Niko; Haller, Michael in CHI ’25 (2025). 1–13.
  • User Simulation in Practice: Lessons Learned from Three Shared Tasks. Gohsen, Marcel; Abbasiantaeb, Zahra; Aliannejadi, Mohammad; Balog, Krisztian; Breuer, Timo; Dalton, Jeffrey; Fröbe, Maik; Kreutz, Christin Katharina; Kruff, Andreas; Lupart, Simon; Mirzakhmedova, Nailia; Scells, Harriscen; Schaer, Philipp; Stein, Benno; Kiesel, Johannes (2025). 59(2)
  • Unify: Uncertainty incorporated Federated Learning for Object Detection. Gao, Shang; Sick, Bernhard; Götz-Hahn, Franz (2025). 330–344.
  • The effective Chen ranks conjecture. Aprodu, Marian; Farkas, Gavril; Raicu, Claudiu; Suciu, Alexander I. (2025).
  • Altruistic disease signalling in ant colonies. Dawson, Erika H.; Hoenigsberger, Michaela; Kampleitner, Niklas; Grasse, Anna V.; Lindorfer, Lukas; Robb, Jennifer; Beikzadeh, Farnaz; Strahodinsky, Florian; Leitner, Hanna; Rajendran, Harikrishnan; Schmitt, Thomas; Cremer, Sylvia (2025). 16(1) 10511.
  • Experimental enhancement of structural heterogeneity in forest landscapes promotes multidimensional hoverfly diversity. Massó Estaje, Clàudia; Rothacher, Julia; Vujić, Ante; Miličić, Marija; Chao, Anne; Mitesser, Oliver; Müller, Jörg; Claßen, Alice; Steffan‐Dewenter, Ingolf (2025). e70252
  • Pesticides and habitat loss additively reduce wild bees in crop fields. Knauer, Anina; Adhikari, Subodh; Andersson, Georg K. S.; Andrieu, Emilie; Báldi, Andras; Batáry, Peter; Bosch, Jordi; Bushmann, Sara L.; Cano, Domingo; Carrié, Romain; Danforth, Bryan N.; Drummond, Francis A.; Esquerré, Diane; García, Daniel; Gratton, Claudio; Hambäck, Peter A.; Happe, Anne-Kathrin; Hederström, Veronica; Holzschuh, Andrea; Jeanneret, Philippe; Kaasik, Riina; Kehinde, Temitope; Knapp, Jessica; Kovács-Hostyánszki, Aniko; Kremen, Claire; Leyer, Ilona; Lüscher, Gisela; Mallinger, Rachel; Marja, Riho; Martínez-Núnez, Carlos; Menalled, Fabian D.; M’Gonigle, Leithen K.; Minarro, Marcos; Mupepele, Anne-Christine; Nicholson, Charlie C.; Otieno, Mark; Ouin, Annie; Park, Mia G.; Pereira-Peixoto, Maria-Helena; Pérez, Antonio J.; Potts, Simon G.; Reineke, Annette; Rey, Pedro J.; Ricketts, Taylor H.; Rivers-Moore, Justine; Roberts, Stuart; Roquer-Beni, Laura; Rundlöf, Maj; Samnegard, Ulrika; Samways, Michael J.; Schwarz, Janine M.; Schweiger, Oliver; Smith, Henrik G.; Steffan-Dewenter, Ingolf; Sutter, Louis; Tamburini, Giovanni; Uzman, Deniz; Veromann, Eve; Vialatte, Aude; Viik, Eneli; Brown, Mark J. F.; Klein, Alexandra-Maria; Albrecht, Matthias (2025).
  • Content Methodology - Vietnam Backpacker Hostel Travel. VBHTravel VBHTravel (ed.) (2025). (Vol. 364) 1–3.
  • Advxai in Malware Analysis Framework: Balancing Explainability with Security. White, Darring (D. White, ed.) (2025). 14(1)
  • Von der Leitlinie zur Praxis: Nachhaltigkeit an der SUB Göttingen. Schatz, Merle; Dörner, Sophia; Klaproth, Frank; Mimkes, Julika; Stieglitz, Jan; Weidling, Michelle (2025). 12
  • Evaluación del personal académico y de investigación por amplificación de puntuaciones de acuerdo con su proximidad a objetivos institucionales. Santana Sepúlveda, Julio Sergio (J. González Candia, ed.) (2025). 18(53) 16–47.
  • Plasmonic Su–Schrieffer–Heeger chains with strong coupling amplitudes. Schurr, Benedikt; Hensen, Matthias; Brenneis, Luisa; Kessler, Philipp; Qin, Jin; Lisinetskii, Victor; Thomale, Ronny; Brixner, Tobias; Hecht, Bert (2025). 11(50) eaea3844-.
  • Best Digital Marketing Course Online in 2026 – A Practical Guide to Top Online Marketing Courses. Group, Minnions (M. Group, ed.) (2025).
  • Hyperactivity and Differential Gene Expression in lbx1a(−/−) Zebrafish Larvae. Drepper, Carsten; Kettenstock, Laura; Stöckl, Simon; Elsenbach, Anna; Lechermeier, Carina; Lee, Wonhyeok; Kneitz, Susanne; Lesch, Klaus-Peter; Romanos, Marcel; Lillesaar, Christina (2025). 14(24) 1980.
  • Auditing Bias: Detecting and Quantifying Bias in Search Query Suggestions for US Politicians. Haak, Fabian; Schaer, Philipp (2025).
  • The Rise of "Self-Cleaning" Paint Technology. Akhiltomar (2025). (3) 3.
  • Outsourcing Domestic Work in the Crisis of Social Reproduction: Platform‐Mediated Cleaning and the Role of Clients. Gerold, Stefanie; Gruszka, Katarzyna; Sardadvar, Karin; Theine, Hendrik; Pillinger, Anna (2025).
  • The Benefits of the EU Single Market: Evidence from the Gravity Model. Rybacki, Jakub; Sułkowski, Dawid (2025). 12(59) 284–294.
  • Reconfigurable Interfaces by Shape Change and Embedded Magnets. Deshpande, Himani; Han, Bo; Moon, Kongpyung (Justin); Bianchi, Andrea; Zheng, Clement; Kim, Jeeeun F. ’Floyd’ Mueller, P. Kyburz, J. R. Williamson, C. Sas, M. L. Wilson, P. O. T. Dugas, I. Shklovski (eds.) (2024). 325:1–325:12.
  • ReBase: a framework for acquiring and managing body tracking data. Trotta, Tiago; Rodrigues, Luis; Brega, José Remo Ferreira; de Paiva Guimarães, Marcelo; Rocha, Leonardo; Brandão, Alexandre Fonseca; Dias, Diego R. C. (2024). 152–160.
  • LightCross: Sharding with Lightweight Cross-Shard Execution for Smart Contracts. Qi, Xiaodong; Li, Yi (2024). 1681–1690.
  • PaperTouch: Tangible Interfaces through Paper Craft and Touchscreen Devices. Ye, Qian; Yong, Zhen Zhou; Han, Bo; Yen, Ching Chiuan; Zheng, Clement F. ’Floyd’ Mueller, P. Kyburz, J. R. Williamson, C. Sas, M. L. Wilson, P. O. T. Dugas, I. Shklovski (eds.) (2024). 330:1–330:15.
  • E-Acrylic: Electronic-Acrylic Composites for Making Interactive Artifacts. Han, Bo; Liu, Xin; Yen, Ching Chiuan; Zheng, Clement F. ’Floyd’ Mueller, P. Kyburz, J. R. Williamson, C. Sas, M. L. Wilson, P. O. T. Dugas, I. Shklovski (eds.) (2024). 339:1–339:15.
  • DMCC 2025 Guide for Company Formation: Licensing, Cost, Banking Explained & Tax Benefits. "wings9 management consultancies" (sachin, ed.) (2024). https://wings9.ae/dmcc–global.
  • Just Look at Them! Encouraging Self-Reflection on Teacher Gaze Behavior through Data Visualizations in Virtual Reality. Yoo, Yejoon; Segal, Jonathan Isaac; Hayes, Aleshia T.; Won, Andrea Stevenson F. ’Floyd’ Mueller, P. Kyburz, J. R. Williamson, C. Sas (eds.) (2024). 209:1–209:9.
  • Slicing for AI: An Online Learning Framework for Network Slicing Supporting AI Services. Helmy, Menna; Abdellatif, Alaa Awad; Mhaisen, Naram; Mohamed, Amr; Erbad, Aiman (2024).
  • The impact of habitat loss and population fragmentation on genomic erosion. Pinto, Alessandro V.; Hansson, Bengt; Patramanis, Ioannis; Morales, Hernán E.; van Oosterhout, Cock (2024). 25(1) 49–57.
  • Priority and Stackelberg Game-Based Incentive Task Allocation for Device-Assisted MEC Networks. Li, Yang; Zhang, Xing; Lei, Bo; Qu, Zheyan; Wang, Wenbo (2024). 3425–3430.
  • Multi-Classification Data Stream Algorithm Based on One-Vs-Rest Strategy. Luo, Xincheng; Li, Daiwei; Zhang, Haiqing; Xu, Lang; Cai, Bo; Deng, Junyu (2023). 66–72.
  • Imputing single-cell RNA-seq data by graph autoencoder with multi-kernel. Jiang, Kang; Liao, Bo; Papagerakis, Petros; Wu, Fang-Xiang X. Jiang, H. Wang, R. Alhajj, X. Hu, F. Engel, M. Mahmud, N. Pisanti, X. Cui, H. Song (eds.) (2023). 228–232.
  • Incorporating Constituent Syntax into Grammatical Error Correction with Multi-Task Learning. Chen, Chen; He, Bo; Yuan, Jing; Hou, Chunyan; Yuan, Xiaojie I. Frommholz, F. Hopfgartner, M. Lee, M. Oakes, M. Lalmas, M. Zhang, R. L. T. Santos (eds.) (2023). 286–295.
  • DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations. Dai, Wei; Su, Yingmin; Pan, Xiaofeng; Wang, Yufeng; Zhu, Zhenyu; Xu, Nan; Mao, Chengjun; Cao, Bo I. Frommholz, F. Hopfgartner, M. Lee, M. Oakes, M. Lalmas, M. Zhang, R. L. T. Santos (eds.) (2023). 3838–3842.
  • Crafting Interactive Circuits on Glazed Ceramic Ware. Zheng, Clement; Han, Bo; Liu, Xin; Devendorf, Laura; Tan, Hans; Yen, Ching Chiuan A. Schmidt, K. Väänänen, T. Goyal, P. O. Kristensson, A. Peters, S. Mueller, J. R. Williamson, M. L. Wilson (eds.) (2023). 474:1–474:18.
  • New Insights into Antiviral Drug Development. Wilson, Anna (A. Wilson, ed.) (2023). 388(14) 1371–1380.
  • Influence of the Self-Interference Channel Model on the Performance of a Full-Duplex MIMO System. Chen, Xuan; Savaux, Vincent; Crussière, Matthieu; Savelli, Patrick; Yao, Koffi Clément (2023). 727–733.
  • Additive Technologies and Their Applications in Furniture Design and Manufacturing. Jarža, Lana (2023).
  • MaskCircuit: 3D Circuits with Acrylic Sheets and Laser Cutting. Han, Bo; Liu, Xin; Yen, Ching Chiuan; Zheng, Clement A. Schmidt, K. Väänänen, T. Goyal, P. O. Kristensson, A. Peters (eds.) (2023). 201:1–201:7.
  • Peeler: Learning to Effectively Predict Flakiness without Running Tests. Qin, Yihao; Wang, Shangwen; Liu, Kui; Lin, Bo; Wu, Hongjun; Li, Li; Mao, Xiaoguang; Bissyandé, Tegawendé F. (2022). 257–268.
  • TorchRec: a PyTorch Domain Library for Recommendation Systems. Ivchenko, Dmytro; Van Der Staay, Dennis; Taylor, Colin; Liu, Xing; Feng, Will; Kindi, Rahul; Sudarshan, Anirudh; Sefati, Shahin in RecSys ’22 (2022). 482–483.
  • From Industry 4.0 towards Industry 5.0. Möller, Dietmar P. F.; Vakilzadian, Hamid; Haas, Roland E. (2022). 61–68.
  • Alzheimer’s Disease Diagnosis and Treatment. White, Sarah (S. White, ed.) (2022). 105(2) 89–102.
  • Engineered SiC materials for power technologies. Schwarzenbach, Walter; Rouchier, S.; Berre, G.; Boulet, R.; Ledoux, O.; Cela, Enrica; Drouin, Alexis; Chapelle, A.; Monnoye, S.; Biard, H.; Alassaad, K.; Viravaux, L.; Mohamed, N. Ben; Radisson, D.; Picun, G.; Lavaitte, G.; Bouville-Lallart, A.; Roi, J.; Widiez, J.; Abadie, K.; Rolland, E.; Fournel, Frank; Gélineau, G.; Mazen, F.; Moulin, A.; Moulin, C.; Delprat, D.; Daval, N.; Odoul, S.; Sandri, P.; Maleville, Christophe (2022). 55–56.
  • Social Media Text Summarisation Techniques and Approaches: A Literature Review. Papagiannopoulou, Afrodite; Angeli, Chrissanthi (2022). 114:1–114:6.
  • New AI and Health Networks. Green, Tom (T. Green, ed.) (2022). 34–56.
  • Die Unschuldigen in Nürnberg Szmaglewska, Seweryna (2022). Schöffling & Co., Frankfurt am Main.
  • A Privacy Preserving Energy Trading Platform Based on Smart Contract. Wang, Jingjing; Long, Fei; Jin, Bo; Dai, Dangdang; Liu, Fen (2022). 117:1–117:7.
  • Tribo Tribe: Triboelectric Interaction Sensing with 3D Physical Interfaces. Liu, Xin; Han, Bo; Zheng, Clement; Yen, Ching Chiuan S. D. J. Barbosa, C. Lampe, C. Appert, D. A. Shamma (eds.) (2022). 272:1–272:6.
  • A Data Driven Method for Computing Quasipotentials. Lin, Bo; Li, Qianxiao; Ren, Weiqing in Proceedings of Machine Learning Research, J. Bruna, J. S. Hesthaven, L. Zdeborová (eds.) (2021). (Vol. 145) 652–670.
  • Deep Learning based Antenna Selection and CSI Extrapolation in Massive MIMO Systems. Lin, Bo; Gao, Feifei; Zhang, Shun; Zhou, Ting; Alkhateeb, Ahmed (2021). 962–966.
  • Research into Development of Auspicious Cultural and Creative Products About Bird-and-Flower Paintings as Decorations for Spring Festival in Guangzhou. Li, Ouyang; Ling, Jie in Lecture Notes in Computer Science, P.-L. P. Rau (ed.) (2020). (Vol. 12193) 536–547.
  • Encrypted DNS -> Privacy? A Traffic Analysis Perspective. Siby, Sandra Deepthy; Juarez, Marc; Díaz, Claudia; Vallina-Rodriguez, Narseo; Troncoso, Carmela (2020).
  • Fault-Tolerant-Driven Clustering for Large Scale Neuromorphic Computing Systems. Wu, Yuting; Ding, Bo; Xu, Qi; Chen, Song (2020). 238–242.
  • Developing a Clustering Structure with Consideration of Cross-Domain Text Classification based on Deep Sparse Auto-encoder. Guo, Yufan; Fei, Rong; Zhang, Kuan; Tang, Yu; Hu, Bo T. Park, Y.-R. Cho, X. Hu, I. Yoo, H. G. Woo, J. Wang, J. C. Facelli, S. Nam, M. Kang (eds.) (2020). 2477–2483.
  • The Influence of Wood and Basalt Fibres on Mechanical, Thermal and Hydrothermal Properties of PLA Composites. Stanisław Kuciel, Karolina Mazur (2020).
  • Human Body AR: A Mobile Application for Teaching Anatomy for Elementary Students Using Augmented Reality. Sotelo-Castro, Briseida; Becerra, Diego Alonso Iquira in Communications in Computer and Information Science, V. A. Delgado, P. H. Ruiz, K. O. Villalba-Condori (eds.) (2020). (Vol. 1334) 146–154.
  • Vaccines in Preventing Infectious Diseases. Harris, Linda (L. Harris, ed.) (2020). 40(6) 1207–1215.
  • Die Frauen von Birkenau Szmaglewska, Seweryna (2020). Schöffling & Co., Frankfurt am Main.
  • DTMBIO 2020: The Fourteenth International Workshop on Data and Text Mining in Biomedical Informatics. Paik, Hyojung; Yoo, Sunyong; Nam, Hojung; Stevenson, Mark; No, Albert M. d’Aquin, S. Dietze, C. Hauff, E. Curry, P. Cudré-Mauroux (eds.) (2020). 3537–3538.
  • Case Study Analysis for Development Strategies of Construction 3D Printing. Meng, Xiangcheng; Zhang, Xueqing in Advances in Intelligent Systems and Computing, M. D. Nicolantonio, E. Rossi, T. Alexander (eds.) (2019). (Vol. 975) 439–450.
  • No-Reference Image Quality Assessment via Multi-order Perception Similarity. Zhou, Ziheng; Lu, Wen; Yang, Jiachen; Han, Shishuai in Lecture Notes in Computer Science, Z. Lin, L. Wang, J. Yang, G. Shi, T. Tan, N. Zheng, X. Chen, Y. Zhang (eds.) (2019). (Vol. 11858) 607–619.
  • Deep Learning Recommendation Model for Personalization and Recommendation Systems. Naumov, Maxim; Mudigere, Dheevatsa; Shi, Hao-Jun Michael; Huang, Jianyu; Sundaraman, Narayanan; Park, Jongsoo; Wang, Xiaodong; Gupta, Udit; Wu, Carole-Jean; Azzolini, Alisson G.; Dzhulgakov, Dmytro; Mallevich, Andrey; Cherniavskii, Ilia; Lu, Yinghai; Krishnamoorthi, Raghuraman; Yu, Ansha; Kondratenko, Volodymyr; Pereira, Stephanie; Chen, Xianjie; Chen, Wenlin; Rao, Vijay; Jia, Bill; Xiong, Liang; Smelyanskiy, Misha (2019). abs/1906.00091
  • Health: A Longitudinal Study. Brown, Alice (A. Brown, ed.) (2019). 42(7) 1285–1292.
  • Improving the Performance and Endurance of Encrypted Non-Volatile Main Memory through Deduplicating Writes. Zuo, Pengfei; Hua, Yu; Zhao, Ming; Zhou, Wen; Guo, Yuncheng (2018). 442–454.
  • Thermal expansion coefficient determination of polylactic acid using digital image correlation. Komissartschik, Edward A. in Lecture Notes in Computer Science, J. Demetrovics, B. Thalheim (eds.) (2018). (Vol. 364) 269–284.
  • How to Address Master Data Complexity in in-formation Systems Development - a Federative Approach. Dahlberg, Tomi; Lagstedt, Altti; Nokkala, Tiina P. M. Bednar, U. Frank, K. Kautz (eds.) (2018). 114.
  • Adam: A Method for Stochastic Optimization Kingma, Diederik P.; Ba, Jimmy (2017).
  • Comparative Research for Social Recommendations on VK. Tukhvatov, Rustam; Lee, Jooyoung in Lecture Notes in Computer Science, S. Song, M. Renz, Y.-S. Moon (eds.) (2017). (Vol. 10612) 257–266.
  • An Efficient Parallel Scheduling Scheme on Multi-partition PCM Architecture. Zhou, Wen; Feng, Dan; Hua, Yu; Liu, Jingning; Huang, Fangting; Chen, Yu (2016). 344–349.
  • Structured distributed sparse channel estimation for high mobility OFDM systems. Qin, Qibo; Gong, Bo; Gui, Lin; Ren, Xiang; Chen, Wen (2015). 56–60.
  • Position-based ICI elimination with compressed channel estimation for SIMO-OFDM high speed train systems. Ren, Xiang; Chen, Wen; Ren, Diandian; Gong, Bo; Qin, Qibo; Gui, Lin (2015). 21–25.
  • Leveraging data deduplication to improve the performance of primary storage systems in the cloud. Mao, Bo; Jiang, Hong; Wu, Suzhen; Tian, Lei G. M. Lohman (ed.) (2013). 24:1–24:2.
  • SAR: SSD Assisted Restore Optimization for Deduplication-Based Storage Systems in the Cloud. Mao, Bo; Jiang, Hong; Wu, Suzhen; Fu, Yinjin; Tian, Lei (2012). 328–337.
  • A New Algorithm of Searching Interested Lesion Regions. Li, Xungen; Zhou, Lei; Huang, LiangMen; Li, Haitao (2009). 1–4.
  • Restructuring and Dependencies in Databases. Komissartschik, Edward A. in Lecture Notes in Computer Science, J. Demetrovics, B. Thalheim (eds.) (1989). (Vol. 364) 269–284.

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close