文献

J-GLOBAL ID：202002287866490716   整理番号：20A2283545

交通行列予測のための流入内依存性とフロー間相関の組込み【JST・京大機械翻訳】

Incorporating Intra-flow Dependencies and Inter-flow Correlations for Traffic Matrix Prediction

著者 (7件)： Gao Kaihui (Tsinghua University) ,  Li Dan (Tsinghua University) ,  Chen Li (HUAWEI) ,  Geng Jinkun (Tsinghua University) ,  Gui Fei (University of XiangTan) ,  Cheng Yang (Tsinghua University) ,  Gu Yue (Tsinghua University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IWQoS  ページ： 1-10  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： 交通マトリックス(TM)予測は,効果的な交通工学とネットワーク管理に不可欠である。広域ネットワークからの実際の交通トレースの解析に基づいて,TMにおける交通流は,時間変化(即ち,内部流依存性)であり,互いに相関(即ち,流れ間相関)であった。しかし,TM予測におけるほとんどの既存の研究は,流れ間相関を無視している。本論文では,イントラフロー依存性とフロー間相関の両方を捕捉するために,新しい注意ベース畳込みリカレントニューラルネットワーク(ACRNN)モデルを提案した。ACRNNは主に2つの成分を含む。1)相関モデリングは,TMにおける任意の2つのフローの相関を捉えるために,注意ベースの畳込み構造を採用する;2)時間的モデリングは,各フローの長期的時間的依存性をモデル化するために注意ベース再帰構造を使用し,次に,流れ間相関と内部流依存性に従ってTMを予測する。2つの実世界データセットに関する実験は,次のTMを予測するとき,ACRNNモデルが,最先端の方法と比較して,平均2乗誤差を44.8%まで減らし,平均絶対誤差を30.6%まで低減することを示した。そして,このギャップは,次の多重TMsを予測するとき,さらにより大きく,シミュレーション結果は,ACRNNの正確な予測が,交通混雑を緩和するための交通工学を助けることができることを証明した。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： シミュレーション ,  畳込み ,  交通工学 ,  交通流 ,  経時変化 ,  多重化 ,  交通混雑 ,  *内部流 ,  WAN【通信】 ,  ネットワーク管理
準シソーラス用語： リカレントニューラルネットワーク ,  平均絶対誤差 , 【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 (8件)： 交通 ,  行列 ,  予測 ,  流入 ,  依存性 ,  フロー ,  相関 ,  組込み