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。
乗客待ち時間と運転者探索摩擦を減らすために,乗り上げ会社は,時空間需要と供給需要ギャップを正確に予測する必要がある。しかし,乗り上げシステムにおける需要と需給ギャップに関係する時空間依存性のため,需要と需給ギャップの両方の正確な予測が困難な作業である。さらに,機密性とプライバシー問題のため,乗り返りデータは,空間-時間依存性の検出を妨げるゾーンの空間隣接情報を除去することによって,研究者に時々放出される。そのために,新しい時空間深層学習アーキテクチャを,匿名化した空間隣接情報を有する乗り上げシステムにおける需要と供給需要ギャップを予測するために,この論文で提案し,それは,一次元畳込みニューラルネットワーク(CNN)とゾーン分布独立再帰ニューラルネットワーク(IndRNN)を含む空間時間深層学習アーキテクチャと特徴重要度層を統合する。開発したアーキテクチャをDidi Chuxingの実世界データセットで試験し,提案アーキテクチャに基づく著者らのモデルが従来の時系列モデル(例えば,ARIMA)と機械学習モデル(例えば,勾配ブースティングマシン,分散ランダムフォレスト,一般化線形モデル,人工ニューラルネットワーク)を凌ぐことを示した。さらに,特徴重要度層は,予測で利用される入力特徴の寄与を明らかにすることによって,モデルの解釈を提供する。【JST・京大機械翻訳】