文献

J-GLOBAL ID：201702219912755681   整理番号：17A0023432

深学習法を用いた交通速度予測【Powered by NICT】

Traffic speed prediction using deep learning method

著者 (3件)： Yuhan Jia (Department of Civil Engineering, Tsinghua University, Beijing, 10084, China) ,  Jianping Wu (Department of Civil Engineering, Tsinghua University, Beijing, 10084, China) ,  Yiman Du (Department of Civil Engineering, Tsinghua University, Beijing, 10084, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： ITSC  ページ： 1217-1222  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 成功した交通速度予測は道路利用者と交通管理機関の両方の利益のために非常に重要である。問題を解決するために,交通科学者は数時系列速度予測アプローチの,従来の統計的モデルと機械学習技術を開発した。しかし,既存の方法は,確率的交通流特性を反映する困難さのために不満足である。予測場に導入された種々の深層学習モデル。本論文では,深い信念ネットワーク(DBN)モデル,深層学習法は,短期交通速度情報予測のために提案した。DBNモデルは欲張り教師なし法で訓練され,ラベル付きデータにより微調整されている。中国,北京における1動脈から収集した交通速度データに基づき,本モデルは,異なる予測時間域のための訓練およびテストを行った。実験解析から,DBNは,すべての時間軸のための逆伝搬法ニューラルネットワーク(BPNN)と自己回帰統合移動平均(ARIMA)より優れていることを結論した。DBNの利点は,深層学習は,交通研究分野に有望であることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 科学者 ,  逆伝搬法 ,  動脈 ,  ニューラルネットワーク ,  *学習 ,  流れ特性 ,  中華人民共和国
準シソーラス用語： ARIMAモデル ,  自己回帰 ,  時間軸 ,  北京市 ,  微調整 ,  信念ネットワーク ,  深層学習 ,  機械学習技術 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 交通 ,  予測