文献

J-GLOBAL ID：202202253460930791   整理番号：22A0960016

グラフ注意LSTM:交通流予測のための時空間的アプローチ【JST・京大機械翻訳】

Graph Attention LSTM: A Spatiotemporal Approach for Traffic Flow Forecasting

著者 (2件)： Zhang Tianqi (Department of Automation, Dalian Maritime University, Dalian, China) ,  Guo Ge (State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Shenyang, China)
資料名： IEEE Intelligent Transportation Systems Magazine  (IEEE Intelligent Transportation Systems Magazine)
巻： 14  号： 2  ページ： 190-196  発行年： 2022年 
JST資料番号： W2271A  ISSN： 1939-1390  CODEN： IITSBO  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： 本論文では,深層学習で使われる人工再帰ニューラルネットワークアーキテクチャである,長-短期メモリ(LSTM)に基づく交通流予測問題を研究した。非加重有向グラフとして道路網を表現することにより,交通流予測問題はグラフ中のノード間の時空依存性をいかに捉えるかになる。著者らは,非Eucliden構造化データモデリングのためのグラフ-注意機構の強度および時系列モデリングのためのLSTMセルの強度を利用する,新しいグラフ-注意LSTM構造を提示した。提案した方法の有効性を実証するために,2つの実世界データセットを評価した。結果は,著者らのモデルが既存の基準線より良く機能することを示した。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： 記憶装置 ,  *交通流 ,  道路網 ,  有向グラフ ,  モデリング ,  モデル ,  基準線 ,  有効性
準シソーラス用語： ニューラルネットワークアーキテクチャ ,  データモデリング ,  深層学習 ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： 交通調査  (TB01031B)

タイトルに関連する用語 (6件)： グラフ ,  注意 ,  LSTM ,  交通流 ,  予測 ,  時空間