文献

J-GLOBAL ID：201702222043830696   整理番号：17A1882729

変数選択とカーネル限界学習器による交通イベント検出【JST・京大機械翻訳】

Traffic incident detection based on variable selection and kernel extreme learning machine

著者 (5件)： Shang Qiang (吉林大学 交通学院,吉林 長春,130022) ,  Lin Ciyun (吉林大学 交通学院,吉林 長春 130022;吉林大学 吉林省道路交通重点実験室,吉林 長春 130022) ,  Yang Zhaosheng (吉林大学 交通学院,吉林 長春 130022;吉林大学 吉林省道路交通重点実験室,吉林 長春 130022) ,  Bing Qichun (吉林大学 交通学院,吉林 長春 130022;青島理工大学 汽車与交通学院,山東 青島 266520) ,  Xing Ruru (吉林大学 交通学院,吉林 長春,130022)
資料名： Zhejiang Daxue Xuebao. Gongxue Ban  (Zhejiang Daxue Xuebao. Gongxue Ban)
巻： 51  号： 7  ページ： 1339-1346,1445  発行年： 2017年 
JST資料番号： W1536A  ISSN： 1008-973X  CODEN： ZDXGFS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 交通イベント検出の効果をさらに改善するために,変数選択とカーネル限界学習(KELM)に基づく自動イベント検出(AID)アルゴリズムを提案した。交通事件の上流と下流の交通流パラメータの変化特性に基づいて,比較的完全な交通イベント検出の初期変数セットを構築した。確率的な森林-再帰的特徴除去(RF-RFE)アルゴリズムを用いて,重要な変数を選択した。入力として重要な変数を取り上げて,KELMを訓練して,重力探索アルゴリズム(GSA)によって最適化パラメータを最適化した。米国I-880データベースを用いて、AIDアルゴリズムの効果に対して検証と比較分析を行った。データベース中のイベントサンプル数は非イベントサンプル数よりはるかに少ないため、SMOTEバランスの二種類のサンプルを採用した。結果により、重要な変数を用いて交通事件の検出効果を向上させることができ、KELMの検出効果は逆伝播ニューラルネットワーク(BPNN)とサポートベクトルマシン(SVM)より優れていることが分かった。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： *学習 ,  データベース ,  アルゴリズム ,  サポートベクトルマシン ,  アメリカ合衆国 ,  交通流 ,  最適化 ,  重力
準シソーラス用語： 逆伝播ニューラルネットワーク ,  比較分析 ,  探索アルゴリズム ,  *イベント検出 ,  *変数選択 , 【Automatic Indexing@JST】

著者キーワード (5件)： traffic engineering ,  traffic incident detection ,  variable selection ,  random forest ,  extreme learning machine (ELM)

分類 (3件)： 人工知能  (JE08000Z) ,  数値計算  (JE02000J) ,  電力系統一般  (NB02000E)

タイトルに関連する用語 (6件)： 変数選択 ,  カーネル ,  限界 ,  学習 ,  交通 ,  イベント検出