Sensors· 2017Q1
Trafiği Görüntü Olarak Öğrenme: Büyük Ölçekli Ulaşım Ağı Hız Tahmini İçin Derin Evrişimli Sinir Ağı
Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction
- 1.409atıf
- Q1SCImago
- 2017yıl
Kısa özet
Trafik verilerini görüntü olarak ele alan yeni bir derin evrişimli sinir ağı (CNN) yöntemi, mevcut yöntemlere kıyasla ağ genelindeki trafik hızlarını tahmin etmede ortalama %42,91'lik bir doğruluk iyileştirmesi sağlamıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Trafik dinamikleri, CNN analizi için görüntülere dönüştürülen 2D zaman-mekan matrislerine dönüştürülür.
- Önerilen CNN yöntemi, kıyaslama algoritmalarına göre ortalama %42,91 doğruluk iyileştirmesi sağlamıştır.
- Yaklaşım, adi en küçük kareler, k-NN, ANN, rastgele orman, yığılmış kodlayıcı, RNN ve LSTM'ye karşı üstün performans göstermiştir.
- CNN modeli makul bir sürede eğitilir, bu da onu büyük ölçekli ulaşım ağları için uygun hale getirir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
This paper proposes a convolutional neural network (CNN)-based method that learns traffic as images and predicts large-scale, network-wide traffic speed with a high accuracy. Spatiotemporal traffic dynamics are converted to images describing the time and space relations of traffic flow via a two-dimensional time-space matrix. A CNN is applied to the image following two consecutive steps: abstract traffic feature extraction and network-wide traffic speed prediction. The effectiveness of the proposed method is evaluated by taking two real-world transportation networks, the second ring road and north-east transportation network in Beijing, as examples, and comparing the method with four prevailing algorithms, namely, ordinary least squares, k-nearest neighbors, artificial neural network, and random forest, and three deep learning architectures, namely, stacked autoencoder, recurrent neural network, and long-short-term memory network. The results show that the proposed method outperforms other algorithms by an average accuracy improvement of 42.91% within an acceptable execution time. The CNN can train the model in a reasonable time and, thus, is suitable for large-scale transportation networks.
Yazarların özeti; kaynağından alınmıştır. Sensors, 2017 · 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: Yapı ve İnşaat
Building and ConstructionEngineering