文献

J-GLOBAL ID：202102239888050423   整理番号：21A2525901

オートエンコーダとLSTMベースの交通流予測法【JST・京大機械翻訳】

An AutoEncoder and LSTM-Based Traffic Flow Prediction Method

著者 (4件)： Wei Wangyang (Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, Beijing University of Posts and Telecommunications, Beijing 100876, China) ,  Wei Wangyang (Information Engineering College, Henan University of Science and Technology, Luoyang 471023, China) ,  Wu Honghai (Information Engineering College, Henan University of Science and Technology, Luoyang 471023, China) ,  Ma Huadong (Beijing Key Laboratory of Intelligent Telecommunication Software and Multimedia, Beijing University of Posts and Telecommunications, Beijing 100876, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 19  号： 13  ページ： 2946  発行年： 2019年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： スマート都市は,都市ライフの品質を効果的に改良することができた。知的交通システム(ITS)は,スマート都市の重要な部分である。交通流の正確な実時間予測は,ITSsにおいて重要な役割を演じる。予測精度を改善するために,著者らは,AutoEncoder Long Short-Termメモリ(AE-LSTM)予測法と呼ぶ,新しいトラフィックフロー予測法を提案した。この方式では,上流と下流交通流データの特性を抽出することにより,交通流の内部関係を得るためにAutoEncoderを用いた。さらに,長い短温度メモリ(LSTM)ネットワークは,複雑な線形交通流データを予測するために,得られた特性データと歴史的データを利用する。実験結果は,AE-LSTM法がより高い予測精度を有することを示した。特に,AE-LSTMの平均相対誤差(MRE)は以前の予測方法と比較して0.01減少した。さらに,AE-LSTM法は良好な安定性を有した。異なる観測所と異なる日付に対して,AE-LSTM法の予測誤差と変動は小さかった。さらに,AE-LSTM予測結果の平均MREは6日間で0.06であった。Copyright 2021 The Author(s) 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 ,  記憶装置 ,  ネットワーク ,  *交通流 ,  都市 ,  *符号器 ,  交通システム ,  線形性 ,  予測誤差
準シソーラス用語： 予測精度 ,  相対誤差 ,  実時間 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (3件)： 自動エンコーダ ,  長期短期記憶 ,  交通流予測

分類 (1件)： 計算機網  (JC03000K)

引用文献 (43件)：

• Ai, Z.; Zhou, Y.; Song, F. A Smart Collaborative Routing Protocol for Reliable Data Diffusion in IoT Scenarios. Sensors 2018, 18, 1926.
• Zhang, M.; Quan, W.; Cheng, N.; Wu, Q.; Zhu, J.; Zheng, R.; Li, K. Distributed Conditional Gradient Online Learning for IoT Optimization. IEEE Internet Things J. 2019.
• Wang, F.Y. Parallel Control and Management for Intelligent Transportation Systems: Concepts, Architectures, and Applications. IEEE Trans. Intell. Transp. Syst. 2010, 11, 630-638.
• Kong, Q.J.; Xu, Y.; Lin, S.; Wen, D.; Zhu, F.; Liu, Y. UTN-Model-Based Traffic Flow Prediction for Parallel-Transportation Management Systems. IEEE Trans. Intell. Transp. Syst. 2013, 14, 1541-1547.
• Sims, A.; Dobinson, K.W. The Sydney coordinated adaptive traffic (SCAT) system philosophy and benefits. IEEE Trans. Veh. Technol. 1980, 29, 130-137.

タイトルに関連する用語 (4件)： オートエンコーダ ,  LSTM ,  交通流 ,  予測法