· 2016
Derin Öğrenme Tabanlı DeepST Modeli Mekansal-Zamansal Verileri Tahmin Ediyor
DNN-based prediction model for spatio-temporal data
- 663atıf
- 2016yıl
Kısa özet
Özgün bir Derin Mekansal-Zamansal (DeepST) modeli, derin öğrenmeyi kullanarak mekansal bağımlılıkları ve zamansal örüntüleri (yakınlık, dönem, eğilim) eş zamanlı olarak modelleyerek mekansal-zamansal verileri tahmin eder ve dört temel yöntemi geride bırakır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Mekansal-zamansal verilerin tahmini için derin öğrenme modeli DeepST tanıtıldı.
- DeepST'nin mimarisi mekansal-zamansal ve küresel bileşenlerden oluşur.
- Mekansal-zamansal bileşen, mekansal bağımlılıkları ve zamansal örüntüleri (yakınlık, dönem, eğilim) modellemek için CNN'leri kullanır.
- Küresel bileşen, haftanın günü gibi dış faktörleri yakalar.
- DeepST, çeşitli MK veri kümelerindeki deneylerde dört temel yöntemi geride bırakır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Advances in location-acquisition and wireless communication technologies have led to wider availability of spatio-temporal (ST) data, which has unique spatial properties (i.e. geographical hierarchy and distance) and temporal properties (i.e. closeness, period and trend). In this paper, we propose a <u>Deep</u>-learning-based prediction model for <u>S</u>patio-<u>T</u>emporal data (DeepST). We leverage ST domain knowledge to design the architecture of DeepST, which is comprised of two components: spatio-temporal and global. The spatio-temporal component employs the framework of convolutional neural networks to simultaneously model spatial near and distant dependencies, and temporal closeness, period and trend. The global component is used to capture global factors, such as day of the week, weekday or weekend. Using DeepST, we build a real-time crowd flow forecasting system called UrbanFlow1. Experiment results on diverse ST datasets verify DeepST's ability to capture ST data's spatio-temporal properties, showing the advantages of DeepST beyond four baseline methods.
Yazarların özeti; kaynağından alınmıştır., 2016 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Ulaştırma
TransportationSocial Sciences