دانلود مقاله شبکه همجوشی عمیق هوشمند برای شناسایی ناهنجاری جریان ترافیک شهری
ترجمه نشده

دانلود مقاله شبکه همجوشی عمیق هوشمند برای شناسایی ناهنجاری جریان ترافیک شهری

عنوان فارسی مقاله: شبکه همجوشی عمیق هوشمند برای شناسایی ناهنجاری جریان ترافیک شهری
عنوان انگلیسی مقاله: Intelligent deep fusion network for urban traffic flow anomaly identification
مجله/کنفرانس: ارتباطات کامپیوتری - Computer Communications
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - فناوری اطلاعات - فناوری اطلاعات و ارتباطات
گرایش های تحصیلی مرتبط: هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - شبکه های کامپیوتری - کاربردهای ICT
کلمات کلیدی فارسی: شبکه عصبی کانولوشن – تجزیه - داده های جریان ترافیک شهری
کلمات کلیدی انگلیسی: Convolution neural network - Decomposition - Urban traffic flow data
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.comcom.2022.03.021
نویسندگان: Youcef Djenouri - Asma Belhadi - Hsing-Chung Chen - Jerry Chun-Wei Lin
دانشگاه: Mathematics and Cybernetics, SINTEF Digital, Oslo, Norway
صفحات مقاله انگلیسی: 7
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 4.084 در سال 2020
شاخص H_index: 105 در سال 2022
شاخص SJR: 0.627 در سال 2020
شناسه ISSN: 0140-3664
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e16309
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده

کلید واژه ها

1. مقدمه

1.1. انگیزه

1.2. مشارکت

1.3. طرح کلی

2. مطالعات مرتبط

2.1. راه حل های کلاسیک مبتنی بر یادگیری ماشین

2.2. راه حل های پیشرفته مبتنی بر یادگیری عمیق

3. DCNN-TFO: شبکه عصبی کانولوشن عمیق برای نقاط پرت جریان ترافیک

3.1. تجزیه

3.2. شبکه عصبی پیچشی

3.3. مدل فیوژن

3.4. شبه کد

4. ارزیابی عملکرد

5. بحث و گفتگو

6. چشم اندازهای آینده

7. نتیجه گیری

منابع

فهرست مطالب (انگلیسی)

Abstract

Keywords

1. Introduction

1.1. Motivation

1.2. Contribution

1.3. Outline

2. Related work

2.1. Classical machine learning based solutions

2.2. Advanced deep learning based solutions

3. DCNN-TFO: Deep convolution neural network for traffic flow outliers

3.1. Decomposition

3.2. Convolution neural network

3.3. Fusion model

3.4. Pseudo-code

4. Performance evaluation

5. Discussions

6. Future perspectives

7. Conclusion

Declaration of Competing Interest

References

بخشی از مقاله (ترجمه ماشینی)

چکیده

     این مقاله یک معماری یادگیری عمیق جدید را برای شناسایی نقاط پرت در زمینه سیستم‌های حمل و نقل هوشمند ارائه می‌کند. استفاده از یک شبکه عصبی کانولوشن با یک استراتژی تجزیه کارآمد برای یافتن رفتار غیرعادی داده‌های جریان ترافیک شهری مورد بررسی قرار گرفته است. مجموعه داده‌های جریان ترافیک شهری به خوشه‌های مشابهی تجزیه می‌شود که هر کدام حاوی داده‌های همگن است. شبکه عصبی کانولوشنال برای هر خوشه داده استفاده می شود. به این ترتیب، مدل‌های مختلفی آموزش داده می‌شوند که هر کدام از داده‌های بسیار همبسته آموخته شده‌اند. در نهایت از یک استراتژی ادغام برای ترکیب نتایج مدل های به دست آمده استفاده می شود. برای تایید عملکرد چارچوب پیشنهادی، آزمایش‌های فشرده بر روی داده‌های جریان ترافیک شهری انجام شد. نتایج نشان میدهد که سیستم ما در چندین معیار دقت از رقبا بهتر عمل می کند.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)

Abstract

     This paper presents a novel deep learning architecture for identifying outliers in the context of intelligent transportation systems. The use of a convolutional neural network with an efficient decomposition strategy is explored to find the anomalous behavior of urban traffic flow data. The urban traffic flow data set is decomposed into similar clusters, each containing homogeneous data. The convolutional neural network is used for each data cluster. In this way, different models are trained, each learned from highly correlated data. A merging strategy is finally used to fuse the results of the obtained models. To validate the performance of the proposed framework, intensive experiments were conducted on urban traffic flow data. The results show that our system outperforms the competition on several accuracy criteria.

Introduction

     Urban traffic flow data have recently piqued the curiosity of researchers. [1–3], in particular, numerous deep learning and computer vision systems [4–6] have been implemented to analyze and understand urban traffic flow data in the context of intelligent transportation, and smart city based applications. Urban traffic flow data consists of observations such as the number and speed of cars or other vehicles at specific locations, as determined by installed sensors. These numbers represent the flow of traffic, which is related to the capacity of roads and the demand on the transportation system. Urban planners are interested in the effects of various factors on traffic flow that result in unexpected patterns called outliers. In addition, we hope to learn from the behavior of independent participants (bicyclists, cars, trucks, and public transit) under different conditions (weather, events, road maintenance) to help urban planners and managers make decisions about roadway design, regulatory systems (e.g., traffic signals), and public transit routes, as well as temporary invasive building placement decisions.

Conclusion

     In this paper, we explored decomposition and deep learning to accurately retrieve the abnormal behavior of urban traffic flow data. The data is first divided into clusters, each of which contains similar data. This makes the training process of the convolutional neural network simpler and more oriented to homogeneous behaviors. As a result of this combination, several models are trained, each representing the data of the corresponding cluster. A fusion model is developed to combine the results of the trained models. Extensive testing was performed to improve the validation procedure of the proposed framework. The results obtained using urban traffic data show that the proposed approach outperforms state-of-the-art outlier identification algorithms using many metrics.