文献

J-GLOBAL ID：202202232080608060   整理番号：22A0781039

ASTCN:フロー予測のための注意空間没入時間畳込みネットワーク【JST・京大機械翻訳】

ASTCN: An Attentive Spatial-Temporal Convolutional Network for Flow Prediction

著者 (5件)： Guo Haizhou (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Zhang Dian (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Jiang Landu (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Poon Kin-Wang (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China) ,  Lu Kezhong (College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 5  ページ： 3215-3225  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： フロー予測は,公共安全とスマート都市,例えば,流行拡大予測と医療資源配分最適化における多くの重要な問題に不可欠なサポートを提供できるので,集中的な研究興味を引きつけた。フロー予測におけるすべてのモデルの中で,深い学習モデル(例えば畳み込みニューラルネットワーク,リカレントニューラルネットワーク,およびグラフニューラルネットワーク)は一般的であり,他の統計や機械学習モデルよりも優れており,それらは固有構造を学習でき,空間時間(ST)データから特徴を抽出することができる。しかし,それらの大部分は,空間的および時間的相関間の相互作用を予測または分離する厳密な時間期間をセットした。したがって,予測精度は影響を受ける。困難を克服するために,大規模フローデータを効果的に取り扱うことができ,複雑な特徴を学習できるフロー予測ネットワーク(ASTCN)を提案した。ASTCNでは,厳密な時間周期の以前の問題を克服するための注意機構を活用し,異なる時系列源からの多重因子でSTデータを効果的に融合できる。さらに,時間的畳み込みネットワーク(TCN)に基づく因果的3D畳込み層を提案する。それは,予測精度を改善するために空間的および時間的特徴を同時に抽出することができた。実世界データ集合に基づく著者らの実験を行った。実験結果は,ASTCNが,二乗平均平方根誤差において少なくとも3.78%まで最先端の方法より優れていることを示した。したがって,ASTCNは他の大規模ST問題に対する潜在的解決策である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. 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 ,  相互作用 ,  *畳込み ,  学習モデル ,  *ネットワーク ,  *予測 ,  都市 ,  資源割付 ,  多重化 ,  空間 ,  三次元 ,  機械学習
準シソーラス用語： 予測精度 ,  リカレントニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： フロー ,  予測 ,  注意 ,  畳込み