Отрывок: Входные данные включают все описанные факторы прогнозирования, и могут быть записаны в виде вектора: V = ( vni−1,i, v n1 ij , v n2 ij ,v route,r ij (t), v all ij (t), v stat ij (tc), v stat ij (t), vflowij (tc), v flow ij (t), v hour(t), vday(t), vfNowij ) . где n1 - предыдущее транспортное средство маршрута r, прошедшее транспортный сегмент wij , n2 - предыдущее транспортно...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Агафонов, А.А. | - |
dc.contributor.author | Юмаганов, А.С. | - |
dc.contributor.author | Agafonov, A.A. | - |
dc.contributor.author | Yumaganov, A.S. | - |
dc.date.accessioned | 2019-04-22 11:39:53 | - |
dc.date.available | 2019-04-22 11:39:53 | - |
dc.date.issued | 2019-05 | - |
dc.identifier | Dspace\SGAU\20190421\75720 | ru |
dc.identifier.citation | Агафонов А.А. Сравнение методов машинного обучения в задаче прогнозирования движения общественного транспорта / Агафонов А.А., Юмаганов А.C. // Сборник трудов ИТНТ-2019 [Текст]: V междунар. конф. и молодеж. шк. "Информ. технологии и нанотехнологии": 21-24 мая: в 4 т. / Самар. нац.-исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем. обраб. изобр. РАН-фил. ФНИЦ "Кристаллография и фотоника" РАН; [под ред. В.А. Фурсова]. - Самара: Новая техника, 2019 – Т. 4: Науки о данных. - 2019 - С. 761-768. | ru |
dc.identifier.uri | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Sravnenie-metodov-mashinnogo-obucheniya-v-zadache-prognozirovaniya-dvizheniya-obshestvennogo-transporta-75720 | - |
dc.description.abstract | Задача прогнозирования движения общественного транспорта является одной из самых популярных задач в области транспортного планирования благодаря своей практической значимости. Для решения этой задачи применяются различные параметрические и непараметрические модели. В настоящей работе для прогнозирования движения используется разнородная информация, влияющая на величину прогноза, и приводится сравнение основных алгоритмов машинного обучения для прогнозирования времени прибытия общественного транспорта: модели нейронных сетей, регрессии методом опорных векторов. Экспериментальный анализ алгоритмов был проведен на реальных движении о движении транспортных средств автобусных маршрутов в Самаре, Россия. | ru |
dc.description.sponsorship | Работа выполнена при частичной финансовой поддержке грантов РФФИ No 18-29-03135-мк, No 18-07-00605 A. | ru |
dc.language.iso | rus | ru |
dc.publisher | Новая техника | ru |
dc.title | Сравнение методов машинного обучения в задаче прогнозирования движения общественного транспорта | ru |
dc.title.alternative | A comparison of machine learning methods for a bus arrival time prediction problem | ru |
dc.type | Article | ru |
dc.textpart | Входные данные включают все описанные факторы прогнозирования, и могут быть записаны в виде вектора: V = ( vni−1,i, v n1 ij , v n2 ij ,v route,r ij (t), v all ij (t), v stat ij (tc), v stat ij (t), vflowij (tc), v flow ij (t), v hour(t), vday(t), vfNowij ) . где n1 - предыдущее транспортное средство маршрута r, прошедшее транспортный сегмент wij , n2 - предыдущее транспортно... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
paper96.pdf | Основная статья | 885.09 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.