文献

J-GLOBAL ID：201902250068865113   整理番号：19A2491250

正則領域における群衆流予測のための事前訓練双方向時間表現【JST・京大機械翻訳】

Pre-Trained Bidirectional Temporal Representation for Crowd Flows Prediction in Regular Region

著者 (4件)： Duan Wenying (Information Engineering School, Nanchang University, Nanchang, China) ,  Jiang Liu (Civil and Environmental Engineering, Stanford University, Stanford, CA, USA) ,  Wang Ning (Information Engineering School, Nanchang University, Nanchang, China) ,  Rao Hong (Information Engineering School, Nanchang University, Nanchang, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 143855-143865  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 群衆流のような空間時間データを予測するための深い学習ベースの方法は,空間依存性と時間依存性の両方を考慮する必要がある。以前の研究は主に空間依存性のモデリングに焦点を当てているが,時間依存性に関する研究は少ない。時間依存性モデリングのための既存の有限深い学習ベースの方法は,RNNベースの方法とドメイン知識ベースの方法に分けることができる。しかしながら,RNNベースの方法は,非常に長期的な時間依存性を学習するのが困難であり,ドメイン知識ベースの方法は,事前知識に基づくデータ前処理に依存して,時間依存性を自動的にモデル化することができない。この問題を考慮して,正規格子領域における群衆流予測を研究し,変換器符号器に基づく事前訓練二方向性時間表現(PBTR)と呼ばれるモデルを提案し,非常に長期的な時間依存性を自動的にモデル化できた。PBTRは単純で,スケーラブルで,他の空間成分と結合できる。さらに,著者らは,トランスフォーマベースの符号器-復号器フレームワークを形成するために,PBTR(CPPBTR)に基づくCrowd予測を導入した。提案したモデルには2つの復号段階がある。デコーダーステージ1では,‘ドラフトのシーケンスが生成される。復号器ステージ2では,各マスク位置に対する洗練された流れを予測するために,‘ドラフトのシーケンスの各時間ステップをマスクし,PBTRに供給した。実験結果は,著者らの方法がRNNベースの方法とドメイン知識ベースの方法より優れていることを実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 変換器 ,  復号器 ,  *予測 ,  空間依存性 ,  復号化 ,  学習 ,  モデル ,  モデリング ,  時間依存性 ,  ドメイン知識 ,  符号器
準シソーラス用語： 時間ステップ ,  データ前処理 ,  事前知識 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 予測 ,  訓練 ,  双方向 ,  表現