文献

J-GLOBAL ID：201902249315346851   整理番号：19A2479555

MF-CNN:畳込みニューラルネットワークと多特徴融合を用いた交通流予測

MF-CNN: Traffic Flow Prediction Using Convolutional Neural Network and Multi-Features Fusion

著者 (6件)： YANG Di (School of Computer Science and Technology, Changchun University of Science and Technology) ,  LI Songjiang (School of Computer Science and Technology, Changchun University of Science and Technology) ,  PENG Zhou (School of Computer Science and Technology, Changchun University of Science and Technology) ,  WANG Peng (School of Computer Science and Technology, Changchun University of Science and Technology) ,  WANG Junhui (Jilin Provincial Expressway Administration) ,  YANG Huamin (School of Computer Science and Technology, Changchun University of Science and Technology)
資料名： IEICE Transactions on Information and Systems (Web)  (IEICE Transactions on Information and Systems (Web))
巻： E102.D  号： 8  ページ： 1526-1536(J-STAGE)  発行年： 2019年 
JST資料番号： U0469A  ISSN： 1745-1361  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 英語 (EN)

抄録/ポイント： 正確な交通流予測は,交通制御や経路誘導のような高度交通システムにおける多くの応用のための前提条件である。従来のデータ駆動型交通流予測モデルは,交通の自己特徴(例えば,周期性)を無視する傾向があり,さまざまな複雑な要因(例えば,天候や休日)によってもたらされるシフトに一般的に悩まされる。これらは,予測モデルの精度とロバスト性を低下させる。この問題に取り組むために,本論文では筆者らは,複数の時空間的特徴と外部要因(天候と休日)を用いてネットワーク規模の交通流を集合的に予測するCNNベース多特徴予測モデル(MF-CNN)を提案した。具体的には,筆者らは交通の自己特徴を短期的特徴としての時間的連続性,長期的特徴としての毎日の周期性および毎週の周期性に分類し,次にそれらを二次元行列で表現される時間と空間から構成される3つの二次元空間に写像した。異なる遅延時間を持つ行列からCNNによって学習された高レベル時空間的特徴は,最終的な予測を導出するためにロジスティック回帰層により外部要因とさらに融合される。実験結果は,多特徴を考慮したMC-CNNモデルが5つのベースラインモデルと比較して予測性能を改善し,精度と効率の間のトレードオフを達成することを示した。(翻訳著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *データ融合 ,  *交通流 ,  ITS【交通】 ,  *予測 ,  予測モデル ,  時空 ,  回帰分析 ,  性能 ,  生体リズム
準シソーラス用語： ロジスティック回帰 ,  高度交通システム ,  時空間 ,  周期性 ,  *畳込みニューラルネットワーク ,  *特徴融合 ,  予測性能

著者キーワード (5件)： 知的輸送システム ,  交通流予測 ,  畳み込みニューラルネットワーク ,  多重時空特徴 ,  外部因子

分類 (2件)： 交通調査  (TB01031B) ,  人工知能  (JE08000Z)

引用文献 (33件)：

• [1] M.S. Ahmed and A.R. Cook, “Analysis of freeway traffic time-series data by using box-jenkins techniques,” Transportation Research Record, no.722, 1979.
• [2] S. Lee and D.B. Fambro, “Application of subset autoregressive integrated moving average model for short-term freeway traffic volume forecasting,” Transportation Research Record, vol.1678, no.1, pp.179-188, 1999. 10.3141/1678-22
• [3] Y. Kamarianakis and P. Prastacos, “Space-time modeling of traffic flow,” Computers & Geosciences, vol.31, no.2, pp.119-133, March 2005. 10.1016/j.cageo.2004.05.012
• [4] Y. Wang and M. Papageorgiou, “Real-time freeway traffic state estimation based on extended kalman filter: a general approach,” Transportation Research Part B-methodological, vol.39, no.2, pp.141-167, Feb. 2005. 10.1016/j.trb.2004.03.003
• [5] A. Bezuglov and G. Comert, “Short-term freeway traffic parameter prediction,” Expert Systems With Applications, vol.62, pp.284-292, Nov. 2016. 10.1016/j.eswa.2016.06.032

タイトルに関連する用語 (4件)： 畳込みニューラルネットワーク ,  特徴融合 ,  交通流 ,  予測