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。
短期旅客流予測は,都市鉄道輸送(URT)システムをより良く管理するための重要だが挑戦的なタスクである。いくつかの新しい深層学習モデルは,短期予測精度を改善する良い洞察を提供する。しかし,URTシステムにおいて多くの複雑な時空間依存性が存在する。ほとんどの以前の方法は,予測に関する空間的および時間的制約を説明するのに失敗する最適化目的として,グランドトルースと予測の間の絶対誤差を考慮するだけであった。さらに,多数の既存の予測モデルは,複雑なニューラルネットワーク層を導入し,訓練効率と記憶占有率を無視しながら,精度を改善し,実世界に適用する機会を低減する。これらの限界を克服するために,URTネットワークの短期乗客流を予測するために,より高い予測精度,より高い効率,およびより低いメモリ占有率を有する新しい深層学習ベースの時空間グラフ生成敵対ネットワーク(STG-GAN)モデルを提案した。本モデルは,敵対的学習方式で最適化された2つの主要部分から成る。(1)ゲート化時間従来型ネットワーク(TCN)と重み共有グラフ畳込みネットワーク(GCN)を含む発電機ネットワークを,構造的時空間依存性を捕捉し,比較的小さな計算負荷で予測を生成する。(2)予測の空間と時間制約を強化するための空間識別器と時間弁別器を含む識別器ネットワーク。STG-GANを,北京地下鉄の2つの大規模実世界データセットで評価した。いくつかの最先端のモデルとの比較は,その優位性とロバスト性を示す。本研究は,特に実世界アプリケーションの展望から,短期旅客流れ予測を行う上で重要な経験を提供できる。【JST・京大機械翻訳】