全時空間車両経路の生成  データ融合アプローチ【JST・京大機械翻訳】

Xiao Nan; Hu Nan; Yu Liang; Long Cheng

文献

J-GLOBAL ID：202002277539047049 整理番号：20A2461774

全時空間車両経路の生成データ融合アプローチ【JST・京大機械翻訳】

Generating Full Spatiotemporal Vehicular Paths A Data Fusion Approach

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A2461774&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (4件)： , , ,
資料名：
号： CIKM ’20 ページ： 2837-2844 発行年： 2020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)

車両経路流(軌道)は,多くの道路交通パラメータが推論できるスマート移動性のための重要なデータ源である。しかし,軌道データの単一源がその時空間カバレッジに関して偏っていることは,既存の挑戦である。本論文では,全都市規模の車両経路を生成するために,2種類の大規模交通データセット,ポイントフローとサンプル軌跡を利用した。提案手法は,低粒状性データ融合(LGDF)モジュールから成り,それは,いくつかの特定のリンク(センサが搭載される)を通過するスパース経路を推定するために,点フローデータを使用し,そして,バイグラムシーケンス生成モデルを事前訓練するために,サンプル軌道データを使用する高粒状性モデル訓練(HGMT)コンポーネントである。その後,LGDFとHGMTからの結果を結合して,詳細な路上時空経路を生成した。この方法で,単一軌道のデータ安全性は保護され,一方,実物大都市交通は輸送分析のために再現できる。提案方法を,実際のデータ事例研究を通して検証した。その結果,8月2019日から開始して,この方法をAlibaba市の脳プロジェクトで実行して,交通分析と最適化の目的で中国の多くの都市で連続的に配備した。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】

, , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (5件)： , , , ,

交通調査

, ,

前のページに戻る

全時空間車両経路の生成 データ融合アプローチ【JST・京大機械翻訳】

全時空間車両経路の生成データ融合アプローチ【JST・京大機械翻訳】