Item type |
Symposium(1) |
公開日 |
2021-06-23 |
タイトル |
|
|
タイトル |
Transformerモデルを用いた人流の時系列予測 |
言語 |
|
|
言語 |
jpn |
キーワード |
|
|
主題Scheme |
Other |
|
主題 |
ユビキタスコンピューティングシステム |
資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_5794 |
|
資源タイプ |
conference paper |
著者所属 |
|
|
|
名古屋大学大学院工学研究科 |
著者所属 |
|
|
|
名古屋大学大学院工学研究科 |
著者所属 |
|
|
|
名古屋大学大学院工学研究科 |
著者所属 |
|
|
|
名古屋大学未来社会創造機構/国立情報学研究所 |
著者所属 |
|
|
|
名古屋大学大学院工学研究科 |
著者所属 |
|
|
|
名古屋大学大学院工学研究科/名古屋大学未来社会創造機構 |
著者名 |
挺屋, 友幹
片山, 晋
浦野, 健太
青木, 俊介
米澤, 拓郎
河口, 信夫
|
論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
人の流れをモデル化し,次の流れを予測する人流予測は渋滞予測や災害時の群衆誘導に活用されている.人流予測は時間的依存性を考慮するタスクと,空間的依存性を考慮するタスクの両方を考える必要がある.それらのタスクで最適化するために,空間依存性のモデル化には一般的に,畳み込みニューラルネットワーク(CNN)やグラフニューラルネットワーク(GNN),グラフ畳み込みニューラルネットワーク(GCN)を用い,時間依存性モデル化には再帰的ニューラルネットワーク(RNN)ベースのモデルが用いられる.従来法ではそれら GCN と RNN を組み合わせたハイブリッドな深層学習モデルが提案されているが,RNN は時系列の逐次的な情報を捉えているに過ぎず,時系列で異なる時間ステップを等しく扱うために周期性を直接モデル化することができない.データを並列に扱う Transformer モデルも提案されているが,人流を予測するには不十分な点がいくつかある.そこで本研究では,GCN と Transformer を組み合わせた,人流の時系列予測手法を提案する.その提案モデルを実世界の人流データセットに対して適応させ,従来手法と予測精度を比較することで評価を行い,検証した評価指標において従来手法よりも高精度な予測が行えることが確認できた. |
書誌情報 |
マルチメディア,分散協調とモバイルシンポジウム2021論文集
巻 2021,
号 1,
p. 900-908,
発行日 2021-06-23
|
出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |