La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
Creation of Temporal Model for Prioritized Transmission in Predictive Spatial-Monitoring Using Machine Learning
Open Access
Création d'un modèle temporel pour une transmission prioritaire dans la surveillance spatiale prédictive à l'aide de l'apprentissage automatique

Keiichiro SATO, Ryoichi SHINKUMA, Takehiro SATO, Eiji OKI, Takanori IWAI, Takeo ONISHI, Takahiro NOBUKIYO, Dai KANETOMO, Kozo SATODA

  • Vues en texte intégral

    146

  • Citer
  • Free PDF (2.8MB)

Résumé:

La surveillance spatiale prédictive, qui prédit des informations spatiales telles que le trafic routier, a beaucoup retenu l'attention dans le contexte des villes intelligentes. L'apprentissage automatique permet une surveillance spatiale prédictive en utilisant une grande quantité de données de capteurs agrégées. La capacité des réseaux mobiles étant strictement limitée, de sérieux retards de transmission se produisent lorsque le trafic de communication est important. Si certaines des données utilisées pour la surveillance spatiale prédictive n'arrivent pas à temps, la précision de la prédiction se dégrade car la prédiction doit être effectuée en utilisant uniquement les données reçues, ce qui implique que les données de prédiction sont « sensibles aux délais ». Une technique d'allocation basée sur l'utilité a suggéré la modélisation des caractéristiques temporelles de ces données sensibles au retard pour une transmission prioritaire. Cependant, aucune étude n’a abordé le modèle temporel pour une transmission prioritaire dans la surveillance spatiale prédictive. Par conséquent, cet article propose un schéma qui permet la création d’un modèle temporel pour la surveillance spatiale prédictive. Le schéma se compose grossièrement de deux étapes : la première consiste à créer des données d'entraînement à partir de données de séries chronologiques originales et d'un modèle d'apprentissage automatique pouvant utiliser les données, tandis que la deuxième étape consiste à modéliser un modèle temporel à l'aide de la sélection de fonctionnalités dans le modèle d'apprentissage. La sélection des fonctionnalités permet d'estimer l'importance des données en termes de contribution des données à la précision des prédictions à partir du modèle d'apprentissage automatique. Cet article considère la prévision du trafic routier comme un scénario et montre que les modèles temporels créés avec le schéma proposé peuvent gérer des ensembles de données spatiales réelles. Une étude numérique a démontré comment notre modèle temporel fonctionne efficacement dans la transmission prioritaire pour la surveillance spatiale prédictive en termes de précision de prédiction.

Publication
IEICE TRANSACTIONS on Communications Vol.E104-B No.8 pp.951-960
Date de publication
2021/08/01
Publicisé
2021/02/01
ISSN en ligne
1745-1345
DOI
10.1587/transcom.2020EBP3175
Type de manuscrit
PAPER
Catégories
Réseau

Auteurs

Keiichiro SATO
  Kyoto University
Ryoichi SHINKUMA
  Kyoto University
Takehiro SATO
  Kyoto University
Eiji OKI
  Kyoto University
Takanori IWAI
  NEC Corporation
Takeo ONISHI
  NEC Corporation
Takahiro NOBUKIYO
  NEC Corporation
Dai KANETOMO
  NEC Corporation
Kozo SATODA
  NEC Corporation

Mots-clés

Table des matières