文献

J-GLOBAL ID：202002210089330987   整理番号：20A1942937

LSTMネットワークによる都市レベルの交通流予測【JST・京大機械翻訳】

City-Level Traffic Flow Prediction via LSTM Networks

著者 (3件)： Zou Zikai (Institute for DeepCom Research, Beijing, China) ,  Gao Peter (Institute for DeepCom Research, Beijing, China) ,  Yao Chang (Institute for DeepCom Research, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICAIP ’18  ページ： 149-153  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： 現代の都市の急速な発展と車両数の増加とともに,それらはまた,深刻な交通問題を引き起こす。彼らは,作業中の不良な焼戻し,また,交通事故を引き起こしさえする,多くの浪費時間とガスエネルギーに市民を悩ました。したがって,交通流のモニタリングは,都市のためのインテリジェント交通システムの構築における重要な部分である。本論文では,都市における大きな交通データによる交通流の予測を目的とする。著者らの直感は,交通情報が多くの因子によって影響を受けるが,正確なトラフィックモデリングは難しいが,著者らは,歴史的トラフィックデータを分析して,予測モデルを訓練するために機械学習技術を使用する。特に,異なる次元の歴史的データを持つLSTMモデルを構築し,次に現在の交通流に対して実時間で予測を行った。プロトタイプを構築し,2つのベンチマークデータセットでテストした。実験結果は,このシステムがグランドトルースと比較して高い予測精度を得ることを示す。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *交通流 ,  交通情報 ,  *都市 ,  市民 ,  交通事故 ,  焼戻 ,  ベンチマーク ,  予測モデル ,  プロトタイプ
準シソーラス用語： 予測精度 ,  交通データ ,  グランドトゥルース ,  機械学習技術 , 【Automatic Indexing@JST】

著者キーワード (3件)： LSTM ,  交通流予測 ,  知的輸送システム

分類 (2件)： 交通調査  (TB01031B) ,  都市交通  (TA01020W)

タイトルに関連する用語 (4件)： LSTMネットワーク ,  都市 ,  交通流 ,  予測