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.

 

  • A novel graph kernel algorithm for improving the effect of text classification. Yang, Fan; Zhu, Tan; Huang, Jing; Huang, Zhilin; Xie, Guoqi (2026). 95 101818.
  • ASVspoof 5: Design, collection and validation of resources for spoofing, deepfake, and adversarial attack detection using crowdsourced speech. Wang, Xin; Delgado, Héctor; Tak, Hemlata; weon Jung, Jee; jin Shim, Hye; Todisco, Massimiliano; Kukanov, Ivan; Liu, Xuechen; Sahidullah, Md.; Kinnunen, Tomi; Evans, Nicholas W. D.; Lee, Kong Aik; Yamagishi, Junichi; Jeong, Myeonghun; Zhu, Ge; Zang, Yongyi; Zhang, You; Maiti, Soumi; Lux, Florian; Müller, Nicolas; Zhang, Wangyou; Sun, Chengzhe; Hou, Shuwei; Lyu, Siwei; Maguer, Sébastien Le; Gong, Cheng; Guo, Hanjie; Chen, Liping; Singh, Vishwanath Pratap (2026). 95 101825.
  • Universal constituency treebanking and parsing: A pilot study. Li, Jianling; Zhang, Meishan; Wang, Jianrong; Zhang, Min; Zhang, Yue (2026). 95 101826.
  • Sustainable visions: unsupervised machine learning insights on global development goals. García-Rodríguez, Alberto; Núñez, Matias; Pérez, Miguel Robles; Govezensky, Tzipe; Barrio, Rafael A; Gershenson, Carlos; Kaski, Kimmo K; Tagüeña, Julia (2025). 20(3)
  • Introduction to Cryptographic Definitions - A Step-by-Step Guide for Beginners Guo, Fuchun; Susilo, Willy; Nguyen, Khou; Chen, Xiaofeng; Zhao, Zhen in Undergraduate Topics in Computer Science (2025). 1–221. Springer.
  • Learning Theory from First Principles Bach, Francis (2025). The MIT Press.
  • Prompt Inversion Attack Against Collaborative Inference of Large Language Models. Qu, Wenjie; Zhou, Yuguang; Wu, Yongji; Xiao, Tingsong; Yuan, Binhang; Li, Yiming; Zhang, Jiaheng (2025). 1695–1712.
  • HyperPianist: Pianist with Linear-Time Prover and Logarithmic Communication Cost. Li, Chongrong; Zhu, Pengfei; Li, Yun; Hong, Cheng; Qu, Wenjie; Zhang, Jiaheng (2025). 3383–3401.
  • Extreme synchronization transitions. Lee, Seungjae; Kuklinski, Lennart J.; Timme, Marc (2025). 16(1)
  • AI Narrative Breakdown. A Critical Assessment of Power and Promise. Rehak, Rainer in FAccT ’25 (2025). 1250–1260.
  • Eye-to-Eye or Face-to-Face? Face and Head Substitution for Co-Located AR. Kullmann, Peter; Schell, Theresa; Botsch, Mario; Latoschik, Marc Erich (J. Saint-Aubert, ed.) (2025). 6
  • Stretch to stretch, dust to dust: low-value local \($H_0$\) measurement from two-population modelling of type Ia supernovae. Wojtak, Radosław; Hjorth, Jens (2025).
  • ANTS: Abstractive Entity Summarization in Knowledge Graphs. Firmansyah, Asep Fajar; Zahera, Hamada M.; Sherif, Mohamed Ahmed; and Moussallem, Diego; Ngonga Ngomo, Axel-Cyrille (2025).
  • On the role of AMOC weakening in shaping wintertime Euro-Atlantic atmospheric circulation. Vacca, Andrea Vito; Bellomo, Katinka; Fabiano, Federico; von Hardenberg, Jost (2025). 63(6) 273.
  • Inference Scaling for Long-Context Retrieval Augmented Generation. Yue, Zhenrui; Zhuang, Honglei; Bai, Aijun; Hui, Kai; Jagerman, Rolf; Zeng, Hansi; Qin, Zhen; Wang, Dong; Wang, Xuanhui; Bendersky, Michael (2025).
  • On the O(frac√d. Li, Huan; Dong, Yiming; Lin, Zhouchen (2025).
  • Key components of effective non-pharmacological interventions for childhood obesity: a review considering social determinants of health. Zamanillo-Campos, R; Colom-Rossello, M; Rodríguez-Calero, M A; Martín, M I; Planas, T; Núñez-Jiménez, C; Ramos, M (2025). 184(7) 449–449.
  • Stretch to stretch, dust to dust: low-value local \($H_0$\) measurement from two-population modelling of type Ia supernovae. Wojtak, Radosław; Hjorth, Jens (2025).
  • Unveiling the multifunctional use of ochre in the Middle Stone Age: Specialized ochre retouchers from Blombos Cave. Velliky, Elizabeth C.; d’Errico, Francesco; van Niekerk, Karen L.; Henshilwood, Christopher S. (2025). 11(26) eads2797.
  • Intelligent and Efficient Video Moment Localization Liu, Meng; Hu, Yupeng; Guan, Weili; Nie, Liqiang (2025). 1–154. Springer.
  • Detecting LLM-Generated Peer Reviews. Rao, Vishisht; Kumar, Aounon; Lakkaraju, Himabindu; Shah, Nihar B. (2025).
  • Alternating Guided Training for Robust Adversarial Defense. Liu, Xinlei; Ma, Chunlai; Chen, Bo; Hu, Tao; Ma, Hailong; Yi, Peng; Jiang, Yiming; Hu, Yuxiang Z. (Mark) Zhang, E. Ricci, Y. Yan, L. Nie, V. Oria, L. Ballan (eds.) (2025). 2008–2012.
  • Feasibility study of a mission to Sedna -- Nuclear propulsion and advanced solar sailing concepts. Ancona, Elena; Kezerashvili, Roman Ya.; Longo, Savino (2025).
  • Semi-Supervised Learning with Noisy Labels Kober, Paula (2025).
  • Generating Single Cell RNA-seq Data with Diffusion Models Fuchs, Felix (2025).
  • Graphs With Polarities. Baez, John C.; Chaudhuri, Adittya (2025).
  • Leveraging AI to Improve the Discoverability and Classification of Linguistic Publications. Ho, Clara Wan Ching; Risse, Thomas; Vrdoljak, Ivana (2025).
  • Federated Generalised Variational Inference: A Robust Probabilistic Federated Learning Framework. Mildner, Terje; Hamelijnck, Oliver; Giampouras, Paris; Damoulas, Theodoros (2025).
  • Security and Privacy of Current and Emerging IoT Devices and Systems (Dagstuhl Seminar 2431). Crispo, Bruno; Dmitrienko, Alexandra; Tsudik, Gene; Xu, Wenyuan; Sendner, Christoph (2025).
  • Ready for VR? Assessing VR Competence and Exploring the Role of Human Abilities and Characteristics. Oberdörfer, Sebastian; Heinisch, Melina; Mühling, Tobias; Schreiner, Verena; König, Sarah; Latoschik, Marc Erich (2025).
  • Nonuniversality of inflammaging across human populations. Franck, Maximilien; Tanner, Kamaryn T.; Tennyson, Robert L.; Daunizeau, Camille; Ferrucci, Luigi; Bandinelli, Stefania; Trumble, Benjamin C.; Kaplan, Hillard S.; Aronoff, Jacob E.; Stieglitz, Jonathan; Kraft, Thomas S.; Lea, Amanda J.; Venkataraman, Vivek V.; Wallace, Ian J.; Lim, Yvonne A. L.; Ng, Kee Seong; Yeong, Joe Poh Sheng; Ho, Roger; Lim, Xinru; Mehrjerd, Ameneh; Charalambous, Eleftheria G.; Aiello, Allison E.; Pawelec, Graham; Franceschi, Claudio; Hertel, Johannes; Fülöp, Tamàs; Lemoine, Maël; Gurven, Michael; Cohen, Alan A. (2025).
  • Adaptive Trust Architecture for Secure IoT Communication in 6G. Ahmad, Ijaz; Gimhana, Shakthi; Ahmad, Ijaz; Harjula, Erkki (2025). 7(2) 113–116.
  • Ready for VR? Assessing VR Competence and Exploring the Role of Human Abilities and Characteristics. Oberdörfer, Sebastian; Heinisch, Melina; Mühling, Tobias; Schreiner, Verena; König, Sarah; Latoschik, Marc Erich (2025).
  • Knowledge Generation for Zero-shot Knowledge-based VQA. Cao, Rui; Jiang, Jing Y. Graham, M. Purver (eds.) (2024). 533–549.
  • A 0.0006-mm2 0.13-pJ/bit 9-21-Gb/s Sampling CDR with Inverter-Based Frequency Multiplier and Embedded 1: 3 DEMUX in 65-nm CMOS. Dong, Zhicheng; Zhao, Xiaoteng; Yang, Zekai; Su, Xianting; Han, Haolin; Bu, Feng; Zhou, Rong; Sun, Depeng; Chen, Yong; Liu, Shubin; Ding, Ruixue; Zhu, Zhangming (2024). 1–3.
  • A 28nm 118.26TOPS/W Multi-Dimensional Fault-Tolerant Al Processor Enabling Voltage-Frequency Scaling Below Point-of-First-Failure. Wang, Yang; Yang, Xiaolong; Qin, Yubin; Zhao, Zhiren; Guo, Ruiqi; Yue, Zhiheng; Wei, Shaojun; Hu, Yang; Yin, Shouyi (2024). 1–3.
  • A 28-nm 323 TOPS/mm2/b and 2007 TOPS/W/b Ternary Latch Based Sparsity-Aware CIM Macro With Double-Sampling Ternary ADC. Kim, Myoung; Jeong, Hoichang; Kim, Woo-Seok; Jeong, Yesong; Choi, Young-Eun; Park, Junyoung; Ryu, Min Woo; Lee, Yong Kyu; Lee, Kyuho Jason; Kim, Kyung Rok (2024). 1–3.
  • RMMIC: A 40 μW Reconfigurable Multi-modal Multi-channel Interface Circuit System for Bio-signals Monitoring. Zhou, Ting; Huang, Jiajie; Wang, Chao; Hao, Yuzhi; Ji, Yuxin; Gu, Zhiwen; Gao, Zhuo; Yang, Feng; Zhang, Yuhang; Zhao, Yang; Zhao, Jian; Liu, Yan; Chen, Mingyi; Wang, Guoxing; Lian, Yong; Li, Yongfu (2024). 1–3.
  • A 0.04 μJ/ Classification High-Accuracy Energy-Efficient ECG Processor with SNN On-Chip Backpropagation and Adaptive Threshold Encoding. Fan, Haodong; Zhou, Junlu; Guo, Zilong; Chang, Zhiyuan; Yang, Xi; Hu, Zhicheng; Zeng, Jiahao; Lin, Shuisheng; Zhou, Liang; Zhou, Jun; Zhang, Li; Huang, Jinxi; Su, Jianlei; Gao, Wei; Wu, Qiang; Chang, Liang (2024). 1–3.
  • A Wireless Battery-Free Cerebral-Oxygen-Monitoring Micro-System Featuring 0.028% Sensing Resolution. Wang, Weixiao; Zhu, Boyu; Xuan, Yangfan; Shen, Yili; Xiao, Qijing; Wang, Zhiyu; Luo, Yuxuan; Pan, Gang; Su, Bin; Zhao, Bo (2024). 1–3.
  • HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation. Jing, Linglin; Ding, Yiming; Gao, Yunpeng; Wang, Zhigang; Yan, Xu; Wang, Dong; Schaefer, Gerald; Fang, Hui; Zhao, Bin; Li, Xuelong (2024). 23128–23137.
  • A 75.6Gb/S 22-Bit Floating-Point Reconfigurable DSP Accelerator Embedding 2048×256-Point Complex FFT and 26K-Point 1-D Signal Processing. Xu, Xuanzhe; Liu, Xianjun; Wei, Siyuan; Yu, Shuangming; Dou, Runjiang; Yang, Xu; Wang, Zhe; Liu, Jian; Wu, Nanjian; Liu, Liyuan (2024). 1–3.
  • A 28nm 76.25TOPS/W RRAM/SRAM-Collaborative CIM Fine-Tuning Accelerator with RRAM-Endurance/Latency-Aware Weight Allocation for CNN and Transformer. Mu, Chen; Huang, Zhirui; Jiang, Hao; Liao, Jie; Jiao, Bo; Zhou, Yuliang; Zhu, Haozhe; Yang, Jianguo; Liu, Qi; Chen, Chixiao (2024). 1–3.
  • SDNet: Noise-Robust Bandwidth Extension under Flexible Sampling Rates. Yang, Junkang; Liu, Hongqing; Gan, Lu; Zhou, Yi; Li, Xing; Jia, Jie; Yao, Jinzhuo (2024). 1–6.
  • A 13.75-14.75-GHz 32.1-fsRMS Jitter -100.6-dBc Reference Spur -261.4-dB FoM Sub-Sampling PLL Using a KPD-Doubled Isolated Sub-Sampling Phase Detector for Reliable Spur-Jitter-Joint Optimization. Xu, Yiqing; Li, Yixi; Zhang, Zhao; Qi, Nan; Liu, Jian; Wu, Nanjian; Liu, Liyuan (2024). 1–3.
  • ANVMP: A 28nm 52.6 μW 1.25pJ/SOP Asynchronous Non- Volatile-Memory-based Computing-In-Memory Neuromorphic Processor for Edge-Al Applications. Zhang, Jilin; Wei, Qiumeng; Huo, Dexuan; Li, Tao; Gao, Bin; Qian, He; Wu, Huaqiang; Tang, Kea-Tiong; Chen, Hong (2024). 1–3.
  • A Real-Time Optical-Flow-based SLAM FPGA Accelerator with Inter-Frame Similarity Exploitation and Correlation-Guided Mixed-Precision Flow Update. Li, Mengjie; Zhu, Haozhe; Zhang, Yiming; He, Siqi; Liu, Qi; Zeng, Xiaoyang; Chen, Chixiao (2024). 1–3.
  • Time Series Diffusion in the Frequency Domain. Crabbé, Jonathan; Huynh, Nicolas; Stanczuk, Jan Pawel; Van Der Schaar, Mihaela in Proceedings of Machine Learning Research, R. Salakhutdinov, Z. Kolter, K. Heller, A. Weller, N. Oliver, J. Scarlett, F. Berkenkamp (eds.) (2024). (Vol. 235) 9407–9438.
  • A 32×32 SPAD LiDAR Sensor with In-pixel Spatial-temporal Coincidence and Per-SPAD Pulse Delay for Resolution-lossless Imaging. Chen, Bu; Huang, Zhangcheng; Wang, Jingyi; Shang, Hongyang; Lv, Hankun; Liu, Qi; Liu, Ming (2024). 1–3.
  • HyperPianist: Pianist with Linear-Time Prover via Fully Distributed HyperPlonk. Li, Chongrong; Li, Yun; Zhu, Pengfei; Qu, Wenjie; Zhang, Jiaheng (2024). 2024 1273.
  • Temporal Dynamics and Success Patterns of Online Petitions: A Time-Series Clustering Approach. Kovács, Máté; Buryakov, Daniil; Gohourou, Didier; Serdült, Uwe (2024). 103–109.
  • A 130-to-170 GHz Reconfigurable Heterodyne/Homodyne Transceiver Achieving 20.5-dBm Psat for Emerging Integrated Wireless Access and Backhaul Networks. Wu, Qixiu; Deng, Wei; Guo, Ziyuan; Jia, Haikun; Ma, Taikun; Peng, Qiuyu; Liu, Chang; Chi, Baoyong (2024). 1–3.
  • A 28nm 128-kb Exponent- and Mantissa-Computation-InMemory Dual-macro for Floating-point and INT CNNs. Guo, An; Dong, Xueshan; Dong, Fangyuan; Li, Dongqi; Zhang, Yiran; Zhang, Jingmin; Tang, Yuchen; Shi, Yuhui; Tan, Xiao; Liu, Bo; Shan, Weiwei; Cai, Hao; Yang, Jun; Si, Xin (2024). 1–3.
  • A 0.9V CMOS Voltage Reference with 0.41% Untrimmed Accuracy and 44.7 ppm/°C TC from -35°C to 130°C. Chen, Xuanlin; Wu, Jiangchao; Wang, Bo; Law, Man Kay (2024). 1–3.
  • Efficient self-organization of informal public transport networks. Mittal, Kush Mohan; Timme, Marc; Schröder, Malte (2024). 15(1)
  • The Two-Bridge Ant Experiment as an Interactive Netlogo Library Model. Umlauft, Martina; Schranz, Melanie (2024).
  • Ant-Search Algorithm for Distributed Knowledge Graphs. Chepizhko, Oleksandr; Forgács, Péter; Schranz, Melanie (2024).
  • A reduced complexity MLSD-based adaptive Duo-PAM4 detector in 28-nm CMOS for 56-Gb/s wireline receiver. Xu, Chaolong; Lv, Fangxu; Lai, Mingche; Luo, Zhang; Qi, Xingyun; Xu, Jiaqing; Wang, Qiang; Xiao, Liquan; Liu, Cewen; Xu, Hua (2024). 1–3.
  • A 33.6nW Capacitively Coupled Chopper Amplifier with Stacked Input-Boosted Gate-and-Bulk-Driven Inverter Achieving 0.59 NEF and 0.42 PEF in 180nm CMOS. Hu, Ke; Wu, Jiangchao; Wang, Bo; Law, Man Kay (2024). 1–3.
  • A 2.8-to-7.2GT/s DDR5 Registering Clock Driver IC with Parallel-Data Timing and Pin-to-Pin Skew Calibration for a Dual In-Line Memory Module. Kim, Joomyoung; Jung, Jaehong; Lim, Kwangmin; Sung, Barosaim; Kim, Jaekwon; Lim, Baekmin; Noh, Tae-Gun; Lee, Jaehoon; Seok, Hyun-Gi; Cho, Youngsea; Kim, Gyusik; Nomiyama, Takahiro; Kang, Sunhye; Jeong, Yeongcheol; Cho, Sanguk; Kim, Gyumin; Oh, Do-Hyun; Kim, Jaenam; Lim, Yong; Kim, Seungjin; Oh, Seunghyun; Lee, Jongwoo (2024). 1–3.
  • A 5.76GS/s 180MHz-BW 74.1dB-DR 2x TI Extrapolated CT DSM with Broadband Hybrid-Inputs Current-Mode Adder in 28nm CMOS. Liu, Yuekai; Guo, Meng; Jin, Yichen; Liu, Yan; Guo, Mingqiang; Sin, Sai-Weng; Tan, Zhichao; Qi, Liang (2024). 1–3.
  • A 28nm 166.9 TOPS/W x Mb/mm2 DRAM-Free QLC Compute-in-ROM Macro Supporting High Task-Level Inference Energy Efficiency for Tiny AI Edge Devices. Cheong, Ling-An; Wang, Chen; Zhou, Mufeng; Liao, Tianyu; Lee, Mingyen; Ke, Yue; Tang, Wenjun; Chen, Yiming; Du, Xirui; Liu, Yongpan; Yang, Huazhong; Li, Xueqing (2024). 1–3.
  • A TFT-Based Flexible PPG Acquisition Circuit in a 3-μm LTPS Process for Packaging-Free Smart Ring Applications. Zhang, Hanbo; Lou, Yuqing; Bo, Yang; Ma, Zhouchen; Wu, Hao; Qi, Liang; Li, Yongfu; Guo, Xiaojun; Wang, Guoxing; Zhao, Jian (2024). 1–3.
  • Denoising Diffusion Probabilistic Model for Realistic Financial Correlation Matrices. Kubiak, Szymon; Weyde, Tillman; Galkin, Oleksandr; Philps, Daniel; Gopal, Ram (2024). 1–9.
  • A 48MHz Temperature Compensated Crystal Oscillator Utilizing Time-Domain Accuracy Boosting Techniques Achieving ±1.4ppm Frequency Stability from -55°C to 115°C. Yin, Junyang; Deng, Wei; Jia, Haikun; Wang, Minshuo; Chi, Baoyong (2024). 1–3.
  • A 64-channel SPAD-based LiDAR sensor with Compact Coincidence Detection Circuit and Inter-frame Correlation-based Nonlinear Partial Histogram Builder. Hu, Jin; Li, Dong; Wang, Xiayu; Ma, Rui; Liu, Yang; Zhu, Zhangming (2024). 1–3.
  • RePreM: Representation Pre-training with Masked Model for Reinforcement Learning. Cai, Yuanying; Zhang, Chuheng; Shen, Wei; Zhang, Xuyun; Ruan, Wenjie; Huang, Longbo B. Williams, Y. Chen, J. Neville (eds.) (2023). 6879–6887.
  • Hierarchical Relational Learning for Few-Shot Knowledge Graph Completion. Wu, Han; Yin, Jie; Rajaratnam, Bala; Guo, Jianyuan (2023).
  • Citizen scientists report global rapid reductions in the visibility of stars from 2011 to 2022. Kyba, Christopher C. M.; Altıntaş, Yiğit Öner; Walker, Constance E.; Newhouse, Mark (2023). 379(6629) 265–268.
  • Efficient and Robust Solution to Universal Symmetric Transformation for 3-D Point Sets. Wang, Bin; Yu, Jie; Chen, Yu; Zhao, Zhisheng; Liu, Chao (2022). 60 1–15.
  • TD3 with Reverse KL Regularizer for Offline Reinforcement Learning from Mixed Datasets. Cai, Yuanying; Zhang, Chuheng; Zhao, Li; Shen, Wei; Zhang, Xuyun; Song, Lei; Bian, Jiang; Qin, Tao; Liu, Tieyan X. Zhu, S. Ranka, M. T. Thai, T. Washio, X. Wu (eds.) (2022). 21–30.
  • A Transformer-Based User Satisfaction Prediction for Proactive Interaction Mechanism in DuerOS. Shen, Wei; He, Xiaonan; Zhang, Chuheng; Zhang, Xuyun; Xie, Jian M. A. Hasan, L. Xiong (eds.) (2022). 1777–1786.
  • Imitation Learning to Outperform Demonstrators by Directly Extrapolating Demonstrations. Cai, Yuanying; Zhang, Chuheng; Shen, Wei; He, Xiaonan; Zhang, Xuyun; Huang, Longbo M. A. Hasan, L. Xiong (eds.) (2022). 128–137.
  • Experimental Characterization Techniques for Solid-Liquid Slurry Flows in Pipelines: A Review. Silva, Rui C. (2022). 10(3)
  • Dynamics of ranking. I~niguez, Gerardo; Pineda, Carlos; Gershenson, Carlos; Barabási, Albert-László (2022). 13(1)
  • cCorrGAN: Conditional Correlation GAN for Learning Empirical Conditional Distributions in the Elliptope. Marti, Gautier; Goubet, Victor; Nielsen, Frank in Lecture Notes in Computer Science, F. Nielsen, F. Barbaresco (eds.) (2021). (Vol. 12829) 613–620.
  • Variational multimodal machine translation with underlying semantic alignment. Liu, Xiao; Zhao, Jing; Sun, Shiliang; Liu, Huawen; Yang, Hao (2021). 69 73–80.
  • COVID-19 in South Africa: outbreak despite interventions. Schröder, Malte; Bossert, Andreas; Kersting, Moritz; Aeffner, Sebastian; Coetzee, Justin; Timme, Marc; Schlüter, Jan (2021). 11(1)
  • Incentive-driven transition to high ride-sharing adoption. Storch, David-Maximilian; Timme, Marc; Schröder, Malte (2021). 12(1)
  • Feldmessgeräte: 1. AgriSens FELDTAG „Einsatz von Fernerkundungstechnologien in der Landwirtschaft“. Truckenbrodt, Sina; Ahmadian, Nima; Borg, Erik; Gerighausen, Heike; Böttcher, Falk; Conrad, Christopher; Dahms, Thorsten; Harfenmeister, Katharina; Hüttich, Christian; Dhillon, Maninder Singh; Spengler, Daniel; Thürkow, Detlef; Thiel, Michael (2021).
  • The Busy Beaver Frontier. Aaronson, Scott (2020). 51(3) 32–54.
  • CORRGAN: Sampling Realistic Financial Correlation Matrices Using Generative Adversarial Networks. Marti, Gautier (2020). 8459–8463.
  • Thermodynamics of NaHCO3 decomposition during Na2CO3-based CO2 capture. Toan, Sam; O’Dell, William; Russell, Christopher K.; Zhao, Sun; Lai, Qinghua; Song, Huiping; Zhao, Ying; Fan, Maohong (2019). 78 74–80.
  • Comparing the performance of crop growth models using synthetic remote sensing data at DEMMIN, Germany. Dhillon, Maninder Singh; Dahms, Thorsten; Kuebert-Flock, Carina; Conrad, Christopher (2019).
  • Light Use Efficiency Model to Estimate Biomass and YIELD with and Without Vapour Pressure Deficit Dhillon, Maninder Singh; Dahms, Thorsten; Nill, Leon (2018). University of Würzburg.
  • Experience in the implementation of projects in professional environment in a 1st cycle of studies of Civil Engineering. Ribeiro, Diogo; Neto, Teresa; Santos, Ricardo; de Fátima Portela, Maria F. J. García-Peñalvo (ed.) (2018). 93–99.
  • Joint Modeling of Users’ Interests and Mobility Patterns for Point-of-Interest Recommendation. Yin, Hongzhi; Cui, Bin; Huang, Zi; Wang, Weiqing; Wu, Xian; Zhou, Xiaofang X. Zhou, A. F. Smeaton, Q. Tian, D. C. A. Bulterman, H. T. Shen, K. Mayer-Patel, S. Yan (eds.) (2015). 819–822.
  • Unifying Local and Global Agreement and Disagreement Classification in Online Debates. Yin, Jie; Narang, Nalin; Thomas, Paul; Paris, Cécile A. Balahur, A. Montoyo, P. Martínez-Barco, E. Boldrini (eds.) (2012). 61–69.
  • Doing Bayesian data analysis. A tutorial introduction with R and BUGS Kruschke, John (2011). (First ) Academic Press, Amsterdam.
  • Addressing the out-of-vocabulary problem for large-scale Chinese spoken term detection. Meng, Sha; Shao, Jian; Yu, Roger Peng; Liu, Jia; Seide, Frank (2008). 2146–2149.
  • Abrasive Flow Polishing of Micro Bores. Yin, Ling; Ramesh, Kuppuswamy; Wan, Stephen; Liu, Xiang Dong; Huang, Han; Liu, Yu Chan (2004). 19(2) 187–207.
  • Slurry systems handbook Abulnaga, Baha E. in McGraw-Hill Handbooks (2002). McGraw-Hill, New York.
  • Development of high speed slurry flow finishing of the inner wall of stainless steel capillary: Polishing and gas flow characteristics of various size of capillaries. Kurobe, T.; Yamada, Y.; Yamamoto, K. (2001). 25(2) 100–106.
  • Polyphilo, or, The dark forest revisited : an erotic epiphany of architecture Pérez Gómez Alberto; Colonna, Francesco (1992). MIT Press, Cambridge, Massachusetts.
  • An inverse of the evaluation functional for typed Lambda-calculus. Berger, Ulrich; Schwichtenberg, Helmut R. Vermuri (ed.) (1991). 203–211.
  • Krug što skamenjuje Šegedin, Petar in Biblioteka Globus (1988). 556-. Globus, Zagreb.
  • Activity coefficient of aqueous sodium bicarbonate. Pitzer, Kenneth S.; Peiper, J. Christopher (1980). 84(19) 2396–2398.
  • Humidity fixed points of binary saturated aqueous solutions. Greenspan, Lewis (1977). 81A(1) 89–96.
  • Heuristische Bezugsrahmen und heuristisch angelegte Forschungsdesigns als Elemente einer Konstruktionsstrategie empirischer Forschung. Kubicek, Herbert R. Köhler (ed.) (1977). 3–36.
  • Relative humidity-temperature relationships of some saturated salt solutions in the temperature range 0℃ to 50℃. Wexler, Arnold; Hasegawa, Saburo (1954). 53(1) 19–26.

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