Key points are not available for this paper at this time.
تعد معلومات تدفق حركة المرور الدقيقة ضرورية لإدارة ونشر نظم النقل الذكية. على مدار السنوات القليلة الماضية، تم تصميم العديد من النماذج الحالية لتوقع تدفق حركة المرور على المدى القصير. ومع ذلك، فإنها تفشل في تقديم نتائج مرضية بسبب هياكلها السطحية أو عدم قدرتها على استخراج الترابطات التسلسلية في البيانات. في هذه الورقة، نستكشف تطبيق الشبكات العصبية الطويلة القصيرة الأجل (LSTMs) في توقع تدفق حركة المرور على المدى القصير. كنموذج تعلم عميق، تستطيع LSTMs تعلم تمثيلات أكثر تجريدًا في بيانات تدفق حركة المرور غير الخطية. كما أن الميزة الداخلية في التقاط الاعتمادات الطويلة الأجل في البيانات التسلسلية تجعلها خيارًا مناسبًا في توقع حركة المرور. تشير التجارب على مجموعات بيانات الحركة الحقيقية إلى أداء جيد لنموذجنا. كما تمت مقارنة هيكل LSTMs مع النماذج المتطورة، وتظهر التجارب أن نموذجنا يحقق نتائج مرغوبة من خلال خفض مقاييس MAPE إلى 5.4%.
درس شاو وزملاؤه (ثلاثاء) هذا السؤال.