文献

J-GLOBAL ID：201902219820820333   整理番号：19A2420403

DST:空間-時間特徴に基づく深い都市交通流予測フレームワーク【JST・京大機械翻訳】

DST: A Deep Urban Traffic Flow Prediction Framework Based on Spatial-Temporal Features

著者 (4件)： Wang Jingyuan (School of Computer and Information Science, Southwest University, Chongqing, China) ,  Cao Yukun (School of Computer and Information Science, Southwest University, Chongqing, China) ,  Du Ye (School of Computer and Information Science, Southwest University, Chongqing, China) ,  Li Li (School of Computer and Information Science, Southwest University, Chongqing, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11775  ページ： 417-427  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 交通流予測は輸送モデリングと管理における興味ある挑戦的問題である。都市道路ネットワークの複雑なトポロジー構造は,それをより複雑にする。時系列モデルのような従来の交通流予測モデルの性能は満足できず,これらの方法は交通流の複雑な非線形性と不確実性を正確に記述できない。深い学習の急速な発展によって,多くの研究者は,交通流予測に深い学習方法を適用することを試みた。しかし,これらの深い学習モデルは空間関係と時間的関係の両方を考慮せず,空間関係と時間的関係を有効な方法で結合する。本論文では,空間時間的特徴に基づく深い都市交通流予測フレームワーク(DST)を提案した。著者らのフレームワークでは,空間特徴を抽出するために空間的に近い領域のみを考慮した局所畳込みニューラルネットワーク(CNN)法と,時間的特徴を抽出するための長い短期メモリ(LSTM)モデルを用いた。また,交通流データに加えて,交通流を予測するとき,外部コンテキストデータを用いた。大規模タクシー軌道データセットTaxiCQに関する実験は,著者らの提案したモデルが他の比較モデルより著しく優れていることを示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *都市交通 ,  学習モデル ,  不確実性 ,  *交通流 ,  高速度 ,  *都市 ,  位相幾何学 ,  道路網 ,  *予測 ,  予測モデル ,  タクシー ,  記憶装置 ,  非線形性
準シソーラス用語： 畳込みニューラルネットワーク ,  学習方法 , 【Automatic Indexing@JST】

著者キーワード (4件)： 都市交通流予測 ,  ローカルCNN ,  LSTM ,  空間-時間特徴

分類 (4件)： 分子・遺伝情報処理  (JE15040B) ,  計算機システム開発  (JD02010R) ,  人工知能  (JE08000Z) ,  計算理論  (JB02000A)

タイトルに関連する用語 (5件)： DST ,  都市 ,  交通流 ,  予測 ,  フレームワーク