Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

MF-CNN: Traffic Flow Prediction Using Convolutional Neural Network and Multi-Features Fusion MF-CNN: Ramalan Aliran Trafik Menggunakan Rangkaian Neural Konvolusi dan Gabungan Pelbagai Ciri

Di YANG, Songjiang LI, Zhou PENG, Peng WANG, Junhui WANG, Huamin YANG

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Ramalan aliran trafik yang tepat ialah prasyarat untuk banyak aplikasi dalam Sistem Pengangkutan Pintar, seperti kawalan trafik dan panduan laluan. Model ramalan aliran trafik dipacu data tradisional cenderung mengabaikan ciri kendiri trafik (cth, berkala), dan biasanya mengalami perubahan yang dibawa oleh pelbagai faktor kompleks (cth, cuaca dan cuti). Ini akan mengurangkan ketepatan dan keteguhan model ramalan. Untuk menangani masalah ini, dalam kertas kerja ini, kami mencadangkan model ramalan berbilang ciri berasaskan CNN (MF-CNN) yang secara kolektif meramalkan aliran trafik skala rangkaian dengan berbilang ciri spatiotemporal dan faktor luaran (cuaca dan cuti). Secara khusus, kami mengklasifikasikan ciri kendiri trafik kepada kesinambungan temporal sebagai ciri jangka pendek, berkala harian dan berkala mingguan sebagai ciri jangka panjang, kemudian memetakannya kepada tiga ruang dua dimensi, yang setiap satunya terdiri daripada masa dan ruang, diwakili oleh matriks dua dimensi. Ciri spatiotemporal peringkat tinggi yang dipelajari oleh CNN daripada matriks dengan selang masa yang berbeza digabungkan lagi dengan faktor luaran oleh lapisan regresi logistik untuk memperoleh ramalan akhir. Keputusan eksperimen menunjukkan bahawa model MF-CNN yang mempertimbangkan pelbagai ciri meningkatkan prestasi ramalan berbanding lima model garis dasar, dan mencapai pertukaran antara ketepatan dan kecekapan.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E102-D No.8 pp.1526-1536
Tarikh penerbitan
2019/08/01
Diumumkan
2019/05/20
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2018EDP7330
Jenis Manuskrip
PAPER
kategori
Kecerdasan Buatan, Perlombongan Data

Pengarang

Di YANG
  Changchun University of Science and Technology
Songjiang LI
  Changchun University of Science and Technology
Zhou PENG
  Changchun University of Science and Technology
Peng WANG
  Changchun University of Science and Technology
Junhui WANG
  Changchun
Huamin YANG
  Changchun University of Science and Technology

Kata kunci

Contents [show]