文献

J-GLOBAL ID：202102292282467894   整理番号：21A2572370

ハイパーパラメータ最適化ベース分類器による短期交通状態予測【JST・京大機械翻訳】

Short Term Traffic State Prediction via Hyperparameter Optimization Based Classifiers

著者 (4件)： Zahid Muhammad (College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124, China) ,  Chen Yangzhou (College of Artificial Intelligence and Automation, Beijing University of Technology, Beijing 100124, China) ,  Jamal Arshad (Department of Civil and Environmental Engineering, King Fahd University of Petroleum & Minerals, KFUPM Box 5055, Dhahran 31261, Saudi Arabia) ,  Memon Muhammad Qasim (Advanced Innovation Center for Future education, Faculty of Education, Beijing Normal University (BNU), Beijing 100875, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 3  ページ： 685  発行年： 2020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： 短期交通状態予測は,インテリジェント輸送システム(ITS)における先進旅行者情報システム(ATIS)の不可欠な要素になった。正確なモデリングと短期交通予測は,その複雑な特性,確率的,および動的交通プロセスのため,非常に困難である。この分野での既存の研究は,速度,密度,あるいは体積データに適合するために集中する異なるモデリングアプローチに従う。しかし,そのようなモデリング手法の精度は,しばしば質問され,従って,そのような方法からの短期にわたる交通状態予測は,過剰適合課題に悩まされている。ハイパーパラメータ最適化による最先端のモデルを用いて,短期の将来の交通状態予測を正確にモデル化するためにこの問題に取り組んだ。そのため,局所深層サポートベクトルマシン(LD-SVM),決定ジャングル,多層パーセプトロン(MLP),およびCN2ルール誘導のような異なる機械学習分類器に焦点を当てた。さらに,交通状況を,サービスレベル(LOS)と,異なる時間間隔での単純なアテネルールのような交通属性を用いて評価した。著者らの知見は,ランダム掃引によるハイパーパラメータ最適化が優れた結果を与えることを示した。全体の予測性能は,95%以上の平均改善を得て,決定ジャングルとLD-SVMは,それぞれ0.982と0.975の精度を達成した。実験結果は,他の方法より決定ジャンル(DJ)のロバスト性と優れた性能を示した。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： *最適化 ,  シミュレーション ,  情報システム ,  *状態推定 ,  交通予測 ,  深層 ,  ロバスト性 ,  多層パーセプトロン ,  機械学習 ,  サポートベクトルマシン
準シソーラス用語： 旅行者 ,  時間間隔 ,  *ハイパーパラメータ , 【Automatic Indexing@JST】

著者キーワード (6件)： 交通状態予測 ,  時空間トラヒックモデリング ,  シミュレーション ,  機械学習 ,  ハイパーパラメータ最適化 ,  ITS

分類 (2件)： 交通調査  (TB01031B) ,  自動車事故,交通安全  (TB01050G)

引用文献 (72件)：

• Atallah, R.F.; Khabbaz, M.J.; Assi, C.M. Vehicular networking: A survey on spectrum access technologies and persisting challenges. Veh. Commun. 2015, 2, 125-149.
• Lloret, J.; Canovas, A.; Catalá, A.; Garcia, M. Group-based protocol and mobility model for VANETs to offer internet access. J. Netw. Comput. Appl. 2013, 36, 1027-1038.
• Soleymani, S.A.; Abdullah, A.H.; Zareei, M.; Anisi, M.H.; Vargas-Rosales, C.; Khurram Khan, M.; Goudarzi, S. A secure trust model based on fuzzy logic in vehicular Ad Hoc networks with fog computing. IEEE Access 2017, 5, 15619-15629.
• Ji, B.; Hong, E.J. Deep-learning-based real-time road traffic prediction using long-term evolution access data. Sensors 2019, 19, 5327.
• Zhao, Z.; Chen, W.; Wu, X.; Chen, P.C.V.; Liu, J. LSTM network: A deep learning approach for short-term traffic forecast. IET Image Process. 2017, 11, 68-75.

タイトルに関連する用語 (6件)： ハイパーパラメータ ,  最適化 ,  分類器 ,  短期 ,  交通 ,  状態予測