文献

J-GLOBAL ID：202002271672436677   整理番号：20A1707461

道路交通流予測における機械学習ベースモデルのスケーラビリティ解析【JST・京大機械翻訳】

The Scalability Analysis of Machine Learning Based Models in Road Traffic Flow Prediction

著者 (2件)： Wang Jiahao (University of Ottawa,PARADISE Research Laboratory, EECS,Canada) ,  Boukerche Azzedine (University of Ottawa,PARADISE Research Laboratory, EECS,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICC  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  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： 今日,交通流予測は,インテリジェント交通システム(ITS)の不可欠な部分として,学界と産業の両方からかなり注目されている。多くの予測方法が提案され,パラメトリック方法とノンパラメトリック法に分類できる。ノンパラメトリック法,特に機械学習(ML)ベースの方法は,パラメトリック方法と比較して,異なるトラフィックパターン間の関係に関する事前知識が少なく,交通データの非線形特徴により良い適合が可能である。しかし,複雑な構造のため,MLモデルは訓練と予測の時間消費に関するより高いコストの実装を必要とする。したがって,本論文では,実際の世界に予測モデルを適用するための鍵である,いくつかの最先端のMLモデルの精度だけでなく効率およびスケーラビリティも評価する。さらに,与えられたモデルのスケーラビリティを改善するために,オフライン最適化法,脱感作を設計した。Copyright 2020 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： 予測技法 ,  最適化 ,  *交通流 ,  *道路交通 ,  ノンパラメトリック法 ,  脱感作 ,  *機械学習 ,  予測モデル
準シソーラス用語： 事前知識 ,  交通データ ,  オフライン , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 道路 ,  交通流 ,  予測 ,  機械学習 ,  モデル ,  スケーラビリティ ,  解析