A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

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
Abra o Access
Criação de modelo temporal para transmissão priorizada em monitoramento espacial preditivo usando aprendizado de máquina

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

  • Exibições de texto completo

    146

  • Cite isto
  • Free PDF (2.8MB)

Resumo:

O monitoramento espacial preditivo, que prevê informações espaciais, como o tráfego rodoviário, tem atraído muita atenção no contexto das cidades inteligentes. O aprendizado de máquina permite o monitoramento espacial preditivo usando uma grande quantidade de dados agregados de sensores. Como a capacidade das redes móveis é estritamente limitada, ocorrem sérios atrasos na transmissão quando as cargas de tráfego de comunicação são pesadas. Se alguns dos dados utilizados para a monitorização espacial preditiva não chegarem a tempo, a precisão da previsão degrada-se porque a previsão tem de ser feita utilizando apenas os dados recebidos, o que implica que os dados para previsão são “sensíveis ao atraso”. Uma técnica de alocação baseada em utilidade sugeriu modelagem de características temporais de tais dados sensíveis a atrasos para transmissão priorizada. No entanto, nenhum estudo abordou o modelo temporal para transmissão priorizada no monitoramento espacial preditivo. Portanto, este artigo propõe um esquema que permite a criação de um modelo temporal para monitoramento espacial preditivo. O esquema é composto aproximadamente de duas etapas: a primeira envolve a criação de dados de treinamento a partir de dados originais de séries temporais e um modelo de aprendizado de máquina que pode usar os dados, enquanto a segunda etapa envolve a modelagem de um modelo temporal usando a seleção de recursos no modelo de aprendizagem. A seleção de recursos permite estimar a importância dos dados em termos de quanto os dados contribuem para a precisão da previsão do modelo de aprendizado de máquina. Este artigo considera a previsão do tráfego rodoviário como um cenário e mostra que os modelos temporais criados com o esquema proposto podem lidar com conjuntos de dados espaciais reais. Um estudo numérico demonstrou como nosso modelo temporal funciona efetivamente na transmissão priorizada para monitoramento espacial preditivo em termos de precisão de previsão.

Publicação
IEICE TRANSACTIONS on Communications Vol.E104-B No.8 pp.951-960
Data de publicação
2021/08/01
Publicitada
2021/02/01
ISSN online
1745-1345
DOI
10.1587/transcom.2020EBP3175
Tipo de Manuscrito
PAPER
Categoria
Network

autores

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

Palavra-chave