Solution/Deep learning 썸네일형 리스트형 딥러닝 기반 교통량 단기예측 스마트 교차로 구현을 위해 교차로로 진입하는 교통량을 딥러닝으로 예측 LSTM 일반적인 신경망Feed-forward neural networks(FFNets) 에서는 데이터를 트레이닝 셋과 테스트 셋으로 나누어서 관리를 하고 트레이닝 셋을 통해서 신경망의 가중치를 학습시키고 이 결과를 테스트셋을 통해서 확인을 하는 방식이다. FFNets에서는 데이터를 입력하면 입력층에서 은닉층까지 연산이 차근차근 진행되고 출력이 되는데 이 과정에서 입력 데이터는 모든 노드를 딱 한 번씩만 지나간다. 데이터가 노드를 한 번만 지나가게 된다는 것은 데이터의 순서 즉 시간적인 측면을 고려하지 않는 구조라는 의미이다. 데이터들의 시간 순서를 무시하고 현재 주어진 데이터를 통해서 독립적으로 학습한다. 하지만 RNN의 경우는 .. 더보기 Solution - 인공지능 최근 주목을 받고있는 딥러닝을 활용하여 여러 교통문제 해결을 하고있다. 첫째, Rode side Equipment를 활용하여 교통상황을 판단하는 사례 둘째, 교통의 독특한 특성인 시공간적 요소를 고려한 교통예측 마지막으로, 도시내의 교통흐름에 가장 큰 영향을 주는 교통신호에 활용되고 있다. 단기 트래픽 예측(속도, 부피, 지연, 여행 시간 및 기타 요인)은 과거 데이터 기능을 사용하여 모델을 생성하고 가까운 시일 내에 트래픽을 예측하는 데이터 중심 주제입니다. 지난 20 년 동안이 영역의 초점은 통계적 방법에서 신경망으로 옮겨졌습니다. 특히, 딥 러닝 구조를 기반으로하는 모델은 최근 단기 교통 예측에 대한 일련의 뛰어난 결과를 달성했습니다. 혁신적인 공간-시간 딥 러닝 모델에는 CNN (Convoluti.. 더보기 견적요청 이전 1 다음
