다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
韓國ITS學會 論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.19 no.1, 2020년, pp.1 - 16
김영찬 (서울시립대학교 교통공학과) , 김준원 (서울시립대학교 교통공학과) , 한여희 (서울시립대학교 교통공학과) , 김종준 (서울시립대학교 교통공학과) , 황제웅 (서울시립대학교 교통공학과)
AI-Helper
With the advent of the fourth industrial revolution era, there has been a growing interest in deep learning using big data, and studies using deep learning have been actively conducted in various fields. In the transportation sector, there are many advantages to using deep learning in research as mu...
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 딥러닝 알고리즘을 크게 구분하면? | 딥러닝 알고리즘은 크게 CNN와 RNN로 구분할 수 있다. 이중 RNN은 음성 또는 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델이다. | |
| 교통분야에서도 4차 산업혁명으로 인해 환경이 급격하게 변화하고 있는대, 대표적인 분야는? | 교통분야에서도 4차 산업혁명으로 인해 환경이 급격하게 변화하고 있는대, 대표적인 분야가 교통정보 수집분야이다. 기존의 교통정보 수집은 차량에서 도로 인프라로 일방적인 방향으로 이루어 졌으며, 지점정보 위주의 교통정보 수집이 이루어 졌다. | |
| RNN의 경우 관련 정보와 그 정보를 사용하는 퍼셉트론 사이 거리가 멀 경우 역전파(backpropagation) 시 기울기 사라짐 문제(vanishing gradient problem)가 발생하여 학습능력이 크게 저하되는 문제를 극복하기 위해 고안된 모형은? | 그러나 RNN의 경우 관련 정보와 그 정보를 사용하는 퍼셉트론 사이 거리가 멀 경우 역전파(backpropagation) 시 기울기 사라짐 문제(vanishing gradient problem)가 발생하여 학습능력이 크게 저하된다. 때문에 시계열 자료를 분석하는데 한계가 있는데, 이 문제를 극복하기 위해 고안된 모형이 LSTM이다. |
Choi Y. H.(2018), The Prediction of Vehicle Speed Passing Urban Road Using Recurrent Neural Network Technique, Chungbuk National University, pp.1-40.
Chollet F.(2018), "Deep Learning with Python by Francois Chollet," Manning Publications(USA), pp.264-299.
Daganzo C. F.(1994), "The cell transmission model: A dynamic representation of highway traffic consistent with the hydrodynamic theory," Transportation Research Part B: Methodological, vol. 28, no. 4, pp.269-287.
Glorot X. and Bengio Y.(2010), "Understanding the difficulty of training deep feedforward neural networks," Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, PMLR 9, pp.249-256.
Hinton G. E., Osindero S. and Teh Y. W.(2006), "The A fast learning algorithm for deep belief nets," Neural Computation, vol. 18, no. 7, pp.1527-1554.
Hochreiter S. and Schmidhuber J.(1997), "Long Short-Term Memory," Neural Computation, vol. 9, no. 8, pp.1735-1780.
Jeon H. J.(2018), A Deep-learning Approach to Predict Short-term Traffic Speeds Considering City-wide Spatio-temporal Correlations, Jung-ang University, pp.1-36.
Lee M. S.(2016), Forecasting short-term travel speed in a dense highway network considering both temporal and spatial relationship- Using a deep-learning architecture, Jung-ang University, pp.1-48.
Ma X., Tao Z., WangY., Yu H. and Wang Y.(2015), "Long short-term memory neural network for traffic speed prediction using remote microwave sensor data," Transportation Research Part C: Emerging Technologies, vol. 54, pp.187-197.
Mckinney W.(2013). Python for Data Analysis, HANBIT media(KOREA), pp.158-214.
Minsky M. and Papert S.(1969), Perceptrons: An Introduction to Computational Geometry, The MIT Press.
Newell G. F.(1993), "A simplified theory of kinematic waves. 1: general theory; II: Queuing at freeway bottle- necks; III: Multi-destination flows," Transportation Research Part B, vol. 27B, no. 4, pp.281-314.
Rosenblatt F.(1958), "The perceptron : A probabilistic model for information storage and organization in the brain," Psychological Review, vol. 65, no. 6, pp.386-408.
Rumelhart D. E., Hinton G. E. and Williams R. J.(1986), "Learning representations by back-propagating errors," NATURE, vol. 323, no. 9, pp.533-536.
The Seoul Transportation Information Center, https://www.seoul.go.kr, 2019.06.28.
Wang W. and Li X.(2018), "Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework," European Transport Conference, pp.6-15.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.