文献

J-GLOBAL ID：201902221150489799   整理番号：19A1540950

SEQST-RESNet:空間クラウド消費におけるタスク予測のための逐次空間時間再ネット【JST・京大機械翻訳】

SeqST-ResNet: A Sequential Spatial Temporal ResNet for Task Prediction in Spatial Crowdsourcing

著者 (7件)： Zhai Dongjun (Soochow University, Suzhou, China) ,  Zhai Dongjun (King Abdullah University of Science and Technology, Thuwal, Saudi Arabia) ,  Zhai Dongjun (Blockshine Technology Corp., Shanghai, China) ,  Liu An (Soochow University, Suzhou, China) ,  Chen Shicheng (National University of Singapore, Singapore, Singapore) ,  Li Zhixu (Soochow University, Suzhou, China) ,  Zhang Xiangliang (King Abdullah University of Science and Technology, Thuwal, Saudi Arabia)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11446  ページ： 260-275  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： タスク出現予測は,空間的クラウド消費プラットフォームにおけるタスク割当を改善する大きな可能性を持っている。この予測問題の主な課題は,隣接領域間の空間依存性と異なる時間スケール(例えば,時間毎,毎日,週毎)における時間依存性をモデル化することである。最近のモデルST-ResNetは,歴史的データにおける空間的および時間的依存性を捕捉することにより,交通流を予測する。しかしながら,データフラグメントは,逐次的な方法で時間依存性を学習するよりはむしろ,深いニューラルネットワークに供給される1つのテンソルとして連結される。著者らは,SeqST-ResNetと呼ばれる新しい深い学習モデルを提案する。それは,いくつかの時間スケールでシーケンスにおける歴史的タスク出現の時間的依存性を十分に捉える。実世界データセットに関する実験により,このモデルの有効性を検証した。実験結果は,著者らのSeqST-ResNetモデルが,時間間隔でタスクを予測するとき,また週と週末の間,さらに重要なタスク要求を持つ領域においてST-ResNetよりも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： 空間依存性 ,  学習モデル ,  交通流 ,  有効性 ,  *予測 ,  テンソル ,  ニューラルネットワーク ,  モデリング ,  時間依存性
準シソーラス用語： 時間間隔 ,  タスク割当 , 【Automatic Indexing@JST】

著者キーワード (3件)： タスク予測 ,  空間クラウド消費 ,  ディープニューラルネットワーク

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： クラウド ,  消費 ,  タスク ,  予測 ,  逐次 ,  ネット