抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
交通予測はインテリジェント輸送システムのコア要素として浮上している。しかし,タイムリーな正確な交通予測,特に長期予測は,交通流の高度に非線形で動的な空間-時間依存性のため,まだ未解決の課題である。本論文では,長期トラヒック予測の精度を改善するために,動的指向空間依存性と長距離時間的依存性を活用する空間-一時的変換ネットワーク(STTN)の新しいパラダイムを提案した。特に,トラヒックフローの方向性と同様にリアルタイムトラフィック条件を捉えるために,自己注意機構による指向性空間依存性を動的にモデル化することによって,空間変圧器と名付けたグラフニューラルネットワークの新しい変異体を提示した。さらに,異なる空間依存性パターンを,種々の因子(例えば,類似性,連結性および共分散)に関連した多様な関係を考慮するために,マルチヘッド注意機構によって共同モデル化することができた。一方,時間的変圧器は,多重時間ステップにわたって長距離双方向時間依存性をモデル化するのに利用される。最後に,それらは,正確な交通予測のための空間-時間依存性を共同モデル化するためのブロックとして構成される。既存の研究と比較して,提案モデルは,長距離空間-時間依存性にわたって高速でスケーラブルな訓練を可能にする。実験結果は,提案モデルが最先端技術,特に実世界PeMS-BayとPeMSD7(M)データセットに関する長期交通流の予測と比較して,競合結果を達成することを証明した。【JST・京大機械翻訳】