文献

J-GLOBAL ID：202202261264190391   整理番号：22A0496837

交通速度予測:長期,短期および空間的特徴に基づく時空畳込みネットワーク【JST・京大機械翻訳】

Traffic speed prediction: spatiotemporal convolution network based on long-term, short-term and spatial features

著者 (4件)： Xu Chunhui (College Of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, China) ,  Zhang Anqin (College Of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, China) ,  Xu Chunchen (Inventec Appliances (Pudong) corp, Shanghai, China) ,  Chen Yu (College Of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, China)
資料名： Applied Intelligence  (Applied Intelligence)
巻： 52  号： 2  ページ： 2224-2242  発行年： 2022年 
JST資料番号： W0297A  ISSN： 0924-669X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 知的輸送に関するますます詳細な調査によって,多くの学者は,交通の正確な予測のためにそれらのモデルを提唱した。本論文では,既存のモデルの長所と短所を分析し,著者らのモデルを提示する。このモデルでは,時間的および空間的要因を考慮した。ゲートリカレントユニット(GRU)とゲート線形ユニット(GLU)を用いて,交通データの短期時間的特徴を学習し,グラフ畳込みネットワーク(GCN)を用いて,交通データの空間特徴を学習した。短期特徴変化を完全に学習するために,多重時間ステップ知覚層を提案する。新しいネットワークGCGRUを提案して,交通データの長期的特徴を学習した。センサーが都市キャニオン,天候,および他の因子によって影響を受けるので,収集したデータには欠測値とノイズがある。訓練データセットのノイズを除くために,欠測値を満たし,特異スペクトル分析(SSA)アルゴリズムを使用するため,短期傾向に基づく欠測値を満たした。モデル訓練プロセスにおいて手動でパラメータを調整するプロセスを減らすために,ファジィ極値点に基づくk-ブロック探索法を提案した。最後に,モデルを既存の交通予測モデルと比較し,解析結果は,著者らのモデルが多くの指標において利点を有することを示した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  雑音 ,  *畳込み ,  *ネットワーク ,  分光分析 ,  多重化 ,  線形性 ,  交通予測 ,  センサ ,  曖昧さ ,  再帰性
準シソーラス用語： 訓練データ ,  ストリートキャニオン ,  欠測値 ,  天候 , 【Automatic Indexing@JST】

著者キーワード (5件)： ゲートリカレントユニット ,  ゲート付き線形ユニット ,  グラフ畳込みネットワーク ,  特異スペクトル解析 ,  交通速度予測

分類 (3件)： 交通調査  (TB01031B) ,  人工知能  (JE08000Z) ,  粒状物調査測定  (SB03060E)

タイトルに関連する用語 (6件)： 交通 ,  予測 ,  長期 ,  短期 ,  時空 ,  畳込み