文献

J-GLOBAL ID：201802248658212288   整理番号：18A0196643

極限学習機械(extreme learning machineによる交通流予測のためのヘテロデータ源の統合【Powered by NICT】

Integrating heterogeneous data sources for traffic flow prediction through extreme learning machine

著者 (5件)： Zhang Qingqing (School of Economic and Management, University of Chinese, Academy of Sciences, UCAS, Beijing, 100190, China) ,  Jian Darren (Crystal Springs Uplands School, Hillsborough, CA, 94010, USA) ,  Xu Rui (Department of Civil and Environmental Engineering, Stanford University, Stanford, CA 94305, USA) ,  Dai Wei (School of Economic and Management, University of Chinese Academy of Sciences, UCAS Beijing, 100190, China) ,  Liu Ying (School of Economic and Management, University of Chinese Academy of Sciences, UCAS Beijing, 100190, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Big Data  ページ： 4189-4194  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 交通流予測は,輸送政策と管理に重要である。歴史的データに基づく時系列モデルは非再発事象と複数の因子の影響を反映できない。輸送の多因子の最近の変化を捕捉するための補足データ源としてインターネット検索エンジンデータと環境データを提案した。時系列モデルと極限学習機械(extreme learning machineは実際の不均一データ源に基づくサンフランシスコ交通流予測のための構築した。まず,歴史的交通データに基づく時系列モデルは,交通流を予測するためのベンチマークとして用いた。,を比較のために時系列モデルとエクストリーム学習機械を用いた異種データを統合した。不均一データとELMは,レベルと方向性精度の両方における線形モデルに改善することを見出した。これらの結果は,不均一データは他の研究者によって使用された元の交通データよりもより多くの情報を与えることを強調し,探索傾向データを用いた予測との関連でこのデータ選択問題に対処するための非線形アプローチの有用性を示し,交通流予測精度の改善をもたらした。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 指向性 ,  *学習機械 ,  検索エンジン ,  *予測 ,  インターネット ,  交通政策 ,  ベンチマーク ,  *交通流
準シソーラス用語： 予測精度 ,  データ選択 ,  線形モデル ,  異種データ ,  交通データ ,  サンフランシスコ ,  時系列モデル , 【Automatic Indexing@JST】

分類 (1件)： 交通調査  (TB01031B)

タイトルに関連する用語 (5件)： 極限 ,  学習機械 ,  交通流 ,  予測 ,  統合