文献

J-GLOBAL ID：202202263362055297   整理番号：22A0959343

都市高速道路のための短期旅行速度予測:ハイブリッド畳込みニューラルネットワークモデル【JST・京大機械翻訳】

Short-Term Travel Speed Prediction for Urban Expressways: Hybrid Convolutional Neural Network Models

著者 (7件)： Tang Keshuang (College of Transportation Engineering, Tongji University, Shanghai, China) ,  Chen Siqu (College of Transportation Engineering, Tongji University, Shanghai, China) ,  Cao Yumin (College of Transportation Engineering, Tongji University, Shanghai, China) ,  Li Xiaosong (College of Transportation Engineering, Tongji University, Shanghai, China) ,  Zang Di (Department of Computer Science and Technology, Tongji University, Shanghai, China) ,  Sun Jian (College of Transportation Engineering, Tongji University, Shanghai, China) ,  Ji Yangbeibei (School of Management, Shanghai University, Shanghai, China)
資料名： IEEE Transactions on Intelligent Transportation Systems  (IEEE Transactions on Intelligent Transportation Systems)
巻： 23  号： 3  ページ： 1829-1840  発行年： 2022年 
JST資料番号： W1272A  ISSN： 1524-9050  CODEN： ITISFG  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： 畳み込みニューラルネットワーク(CNN)のような都市高速道路に関する短期旅行速度予測のための深い学習モデルは,まだマルチスケール時空間特徴抽出においていくつかの限界を提示する。したがって,本論文では,3つのハイブリッドCNNモデルを提案して,都市高速道路に関する短期(すなわち,5分)旅行速度予測のための3つの目標側面に関して基本的CNNモデルを改良した。より具体的には,長い短期記憶(LSTM),AutoEncoder(AE),および開始モジュールを,基本的CNNモデルに組み込み,移動速度データのマルチスケール時空間特徴を効果的に捕捉し,基本CNNモデルの精度とロバスト性を改善した。上海のYan’an高速道路で収集したループ検出器データに基づいて,提案したハイブリッドCNNモデルを訓練し,調整した。ターゲット側面の改善を検証するために,古典的統計的モデル(すなわち,自己回帰統合移動平均),典型的な浅いニューラルネットワークモデル(すなわち,人工ニューラルネットワーク),および2つの基本的深層学習モデル(すなわち,再帰ニューラルネットワークおよびCNN)を用いて,包括的比較を行った。結果は,すべての提案したハイブリッドCNNモデルの予測精度が96%を超え,平均絶対誤差が2.5km/h未満であり,他のモデルより優れていることを示した。目標改善側面に関して,2つの新しい計量を導入し,提案モデル,特にAE-CNNモデルは,種々の入力データ構造と交通状態の下でより良いロバスト性を示した。LSTM-CNNモデルは,学習時系列特徴における他のモデルより性能が優れており,そして,Inception Gleason CNNモデルは,都市高速道路上の交通渋滞パターンのダイナミクスを再生する上で優れている。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： 回帰分析 ,  学習 ,  学習モデル ,  *高速道路 ,  *都市高速道路 ,  *ニューラルネットワーク ,  特徴抽出 ,  *モデル ,  交通混雑 ,  ロバスト性 ,  予測誤差
準シソーラス用語： *神経回路網モデル ,  予測精度 ,  マルチスケール ,  自己回帰 ,  平均絶対誤差 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 交通調査  (TB01031B) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 都市高速道路 ,  短期 ,  旅行速度 ,  予測 ,  畳込みニューラルネットワーク ,  モデル