文献

J-GLOBAL ID：202102234234527409   整理番号：21A1168544

マルチ特徴融合に基づく都市鉄道交通の短期間旅客流予測【JST・京大機械翻訳】

Short-term Passenger Flow Prediction of an Urban Rail Transit Based on Multi-feature Fusion

著者 (4件)： Li Zhaofeng (西南交通大学,交通運輸与物流学院,成都 611756) ,  Ni Shaoquan (西南交通大学,交通運輸与物流学院,成都 611756;綜合交通運輸智能化国家地方聯合工程実験室,成都 611756;綜合交通大数据応用技術国家工程実験室,成都 611756) ,  Sun Keyang (西南交通大学,交通運輸与物流学院,成都 611756) ,  Lv Miaomiao (西南交通大学,交通運輸与物流学院,成都 611756;綜合交通運輸智能化国家地方聯合工程実験室,成都 611756;綜合交通大数据応用技術国家工程実験室,成都 611756)
資料名： Jiaotong Yunshu Gongcheng yu Xinxi Xuebao  (Jiaotong Yunshu Gongcheng yu Xinxi Xuebao)
巻： 18  号： 4  ページ： 93-102  発行年： 2020年 
JST資料番号： C3450A  ISSN： 1672-4747  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 旅客の需要は都市鉄道交通運営組織の基礎であり、情報収集技術、計算能力などの急速な発展に伴い、短時間の客流推進の正確性はネット形成条件下で特に重要となる。時間,空間相関,および外部因子のランダム性の影響を考慮して,LSTMニューラルネットワークに基づく予測フレームワークを用いて,マルチ特徴の「エンドツーエンド」の短い時間における乗客フロー予測フレームワークを構築し,そして,乗客フローの時間依存性特性をマイニングした。Embedding層を外部因子スパース行列に埋め込むことにより、全連結層の融合時間特徴、空間特徴及びその他の因子を用いて予測結果を獲得した。成都地下鉄駅の南駅を実例研究対象とし、数回の実験を通じて、ARIMAモデルとLSTMニューラルネットワークと比較して、融合マルチ特徴の組合せ予測モデルの予測性能が最良であり、訓練セットと検証セットのMAE誤差はそれぞれ11.49と10.85であった。テストセット上でモデルを試験し,結果は,モデルがより良い予測精度とロバスト性を持つことを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  時間依存性 ,  情報収集 ,  鉄道駅 ,  エンドツーエンド方式 ,  *都市鉄道 ,  *乗客 ,  ロバスト性 ,  スパース行列 ,  予測モデル
準シソーラス用語： ARIMAモデル ,  予測精度 ,  ランダム性 ,  予測性能 ,  地下鉄駅 , 【Automatic Indexing@JST】

分類 (2件)： 輸送と業務  (TC01030N) ,  経営工学一般  (KA01010C)

タイトルに関連する用語 (8件)： マルチ ,  特徴融合 ,  都市 ,  鉄道 ,  交通 ,  短期間 ,  旅客 ,  予測