文献

J-GLOBAL ID：201902263612958997   整理番号：19A2237554

高速道路交通流予測のための並列時空間深層学習ネットワーク【JST・京大機械翻訳】

A parallel spatiotemporal deep learning network for highway traffic flow forecasting

著者 (5件)： Han Dongxiao (SHU-UTS SILC Business School, Shanghai University, Shanghai, China) ,  Han Dongxiao (Data Science & Business Analysis Department, Meizhi Technology, Shanghai, China) ,  Chen Juan (SHU-UTS SILC Business School, Shanghai University, Shanghai, China) ,  Chen Juan (Smart City Research Institute, Shanghai University, Shanghai, China) ,  Sun Jian (Department of Traffic Engineering and Key Laboratory of Road and Traffic Engineering, Ministry of Education, Tongji University, Shanghai, China)
資料名： International Journal of Distributed Sensor Networks  (International Journal of Distributed Sensor Networks)
巻： 15  号： 2  ページ： 1550147719832792  発行年： 2019年 
JST資料番号： W5250A  ISSN： 1550-1477  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： 空間時間的特徴は,交通流予測に有意な影響を及ぼす。隣接道路の潜在的内部関係により,空間情報はある程度,交通流予測に影響する。同時に,交通流データの周期的情報も,時間的特徴によって明らかに影響を受けることができた。これらのキーポイントを考慮して,本論文は,時間と空間次元から特徴を学習する短期高速道路交通流予測のための並列時空間的深い学習ネットワークを提案した。導入したモデルにおいて,畳込みニューラルネットワークを用いて空間特徴を抽出し,長い短期記憶を用いて交通流の時間的特徴を抽出した。畳込みニューラルネットワークと長い短期記憶の並列接続構造は,交通流予測において非常に強力な性能を反映する。大規模データセット予測における並列時空間的深い学習ネットワークを適用するために,上海内輪高架道路のデータセットを用いて,6か月における591のセンサを予測した。実験結果は,著者らの並列時空間的深い学習ネットワークの全体的性能が他の最先端の方法のそれらを上回ることを確認した。Copyright The Author(s) 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *道路 ,  センサ ,  *ネットワーク ,  並列接続 ,  高架道路 ,  *交通流 ,  *高速道路 ,  *予測 ,  *学習
準シソーラス用語： 上海市 ,  大規模データセット ,  短期記憶 ,  畳込みニューラルネットワーク ,  空間情報 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 交通流予測 ,  時空間特徴 ,  深層学習 ,  畳み込みニューラルネットワーク ,  長期短期記憶

分類 (1件)： 交通調査  (TB01031B)

タイトルに関連する用語 (5件)： 高速道路 ,  交通流 ,  予測 ,  時空間 ,  深層学習