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。
能動的避難交通管理は,高い時空間分解能での交通流のリアルタイムモニタリングと予測に大きく依存する。しかし,避難交通予測は,投影されたハリケーン経路における突然の変化による不確実性とその結果としての家庭避難行動により困難である。さらに,時空間交通流パターンのモデル化は,より長い期間にわたって広範なデータを必要とするが,避難は典型的には2から5日間続く。本論文では,ネットワーク規模での避難トラヒックを予測するための新しいデータ駆動手法を提案した。ハリケーン避難のネットワークダイナミックスを学習するための動的グラフ畳込みLSTM(DGCN-LSTM)モデルを開発した。最初に,非避難期間交通データに対するモデルを訓練し,このモデルが,226.84のRMSE値を持つ非避難期間トラヒックを予測するための既存の深層学習モデルより優れていることを示した。しかし,避難期間に対してモデルを適用すると,RMSE値は1440.99に増加した。避難ゾーンからの距離,土地利用時間,および他の帯状レベル特徴などの避難交通需要に関連する付加的特徴を有する移動学習手法を採用することによってこの問題を克服し,非避難期間から避難期間への情報(ネットワークダイナミックス)の移動を制御する。最終的な移動学習DGCN-LSTMモデルは,避難交通流(RMSE=399.69)を予測するために良好に機能した。実行したモデルは,より長い予測期間(6時間)にわたって避難交通を予測するために適用できる。輸送機関は,避難交通の遅れを減らすために,適切な交通管理戦略を活性化するための輸送機関を支援するであろう。【JST・京大機械翻訳】