文献

J-GLOBAL ID：201702247234402074   整理番号：17A1322949

ニューラルネットワークに基づく小時間粒度交通流予測モデル【JST・京大機械翻訳】

Traffic Flow Prediction Model Based on Neural Network in Small Time Granularity

著者 (5件)： Yao Zhihong (西南交通大学交通運輸与物流学院,成都610031;西南交通大学綜合交通運輸智能化国家地方聯合工程実験室,成都610031) ,  Jiang Yangsheng (西南交通大学交通運輸与物流学院,成都610031;西南交通大学綜合交通運輸智能化国家地方聯合工程実験室,成都610031) ,  Han Peng (西南交通大学交通運輸与物流学院,成都610031;西南交通大学綜合交通運輸智能化国家地方聯合工程実験室,成都610031) ,  Luo Xiaoling (西南交通大学交通運輸与物流学院,成都610031;西南交通大学綜合交通運輸智能化国家地方聯合工程実験室,成都610031) ,  Xu Tao (重慶交通大学交通運輸学院,重慶,400074)
資料名： Jiaotong Yunshu Xitong Gongcheng Yuxinxi  (Jiaotong Yunshu Xitong Gongcheng Yuxinxi)
巻： 17  号： 1  ページ： 67-73  発行年： 2017年 
JST資料番号： C2945A  ISSN： 1009-6744  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： 従来の車の離散的モデルに基づく確率分布の仮定と既存の交通流予測時間の粒度が,適応信号の最適化に適用されないときに,最適化問題を解決することができない。自動車の離散的モデルのモデリングにおいて,下流の交差点の車両と上流の交差点の車両の間の関係を分析して,次に,ニューラルネットワークに基づく小時間粒度交通流予測モデルを構築した。このモデルにおいて,上流の交差点の流れ分布は入力となり,下流の交差点の出力は出力となり,時間の粒度は5sである。最後に,実際の調査データによりモデルパラメータを較正し,モデルを用いて下流交差点の到着を予測した。結果により、Robertsonモデルと比べ、本論文のモデル予測結果が交通流の変化特徴をよりよく反映でき、平均予測誤差が8.3%減少したことが明らかになった。結果は信号の最適化に用いることができる。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： *交通流 ,  最適化 ,  交差点 ,  *予測モデル ,  予測誤差 ,  最適化問題 ,  *ニューラルネットワーク ,  流れ分布 ,  確率分布 ,  自動車 ,  *粒度 ,  *予測 ,  モデリング
準シソーラス用語： モデル予測 ,  モデルパラメータ , 【Automatic Indexing@JST】

著者キーワード (5件)： traffic engineering ,  traffic flow prediction ,  neural network ,  platoon dispersion ,  signal timing optimization

分類 (1件)： ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： ニューラルネットワーク ,  粒度 ,  交通流 ,  予測モデル