|
? 대여소의 특성에 따라 대여건수에서 큰 차이가 남
? 여의나루역 1번 출구 앞 : 141~6859건
? 종로3가역 15번 출구 앞 : 35~1064건
? 대여소의 특성에 따라 교통수단 또는 여가수단으로 활용됨
? 여의나루역 1번 출구 앞 : 주말 대여건수 증가 →
|
|
|
따릉이의 특성
? 모든 대여소에 반납 가능
? 출근 수요 1000 ~1500 대
? 퇴근 수요 4000 ~ 5000 대
따릉이 관리팀
? 강북·강남관리소 총 40개 팀 3교대 2조
? 기본적으로 70%의 거치율을 유지
? 매일 효율적인 업무를 위한 동선 선정
단순 거치율
|
|
|
LSTM 모델의 적정 하이퍼파라미터 선정. 대한교통학회 학술대회지, 1(3)
김원호, 이유화, 김시현. (2009). 시각장애인 대중교통 이용실태 분석 및 대중교통시설 내보행지원 시스템 구축방안. 서울도시연구, 10(3)
시각장애인 대중교통 이용실태 분
|
|
|
만들기> PDF (e-Airs 사용자 게시판)
【5】 원형실린더 주위의 비정상 이차원 층류유동 수치해석 (한국전산유체공학회지 2004.12 명현국)
【6】 http://www.lstm.uni-erlangen.de/~breuer/animations.html 1. 서론
2. 본론
3. 해석방향
4. 결과고찰
5. 후기
|
|
|
개수
= 전체Row수 ? (Memory cell 개수+Predict Cell 개수) + 1(고정)
= 2013년 1분기 ~ 2020년 4분기(32) - (4개 데이터를 통해 1개데이터를 예측) + 1(고정)
= 32 ? (4+1) + 1 = 28 Keras Deep Learning
Keras Concatenate
모델 병합 방식
1. Lstm + Non-Linear
2. Lstm + Lstm
|
|
|
향상
6. 모델 학습 결과 : 예측 정확도 99.0% (LSTM 모델) 1. 데이터 분석 배경
2. 데이터 분석 목적
3. 데이터 분석 효과
4. 데이터 학습 결과
5. 분석 환경
6. 학습데이터 구조
7. 데이터 분석(EDA) 및 가공
8. 학습 모델 구축 및 예측 (LSTM, CNN)
|
|
|
하며, 이를 바탕으로 효율적인 데이터 저장 및 처리 알고리즘의 개발을 목표로 할 것입니다. 둘째로, 딥러닝 기반 사용자 행동 추적 모델링에 집중할 것입니다. 사용자의 가상 환경 내에서의 행동 데이터를 중심으로, RNN, LSTM, Transformer와 같은
|
|
메뉴펼치기
