|
? 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
|
|
 |
LSTM(Long Short Term Memory)을 도입하기로 했습니다. LSTM은 시계열 데이터에 강점을 가진 모델이기 때문에, 교통량의 변화를 잘 예측할 수 있었습니다. 또한, 하이퍼파라미터 튜닝을 통해 모델의 성능을 최적화한 결과, 예측 정확도를 15% 향상시킬
|
|
 |
LSTM을 채택했습니다. LSTM은 피처를 수동으로 선별할 필요 없이 피처에 따른 가중치를 학습하여 선별하기 때문에 97%의 높은 정확성을 도출했습니다.
생산관리 직무는 Fab에서 발생하는 모든 데이터를 통해 생산의 최적화를 이루어야 하므로 데
|
|
 |
1 전공과 직무에 대한 연관성에 대한 기여할 수 있는 부분?
2 근무지 이동하는데 삼성동도 괜찮나? LSTM 구조가 어떻게되는지 말해보라
3 코딩테스트(선택언어)에대한 선택이유와 장단점,특장점 등 발화4 생산기술중 사출 성형 도장등 다양한
|
|
 |
이 프로젝트는 공개된 교통 데이터셋을 기반으로 도로별 교통량을 예측하고, 웹 대시보드를 통해 시각화하여 사용자에게 정보를 제공하는 것을 목표로 했습니다.
초기에는 LSTM 기반의 딥러닝 모델을 학습시키는 데 집중했으나, 팀원들과 논
|
|
 |
차적인 정보 처리에 강점이 있지만 장기 의존성 처리에서 한계가 있으며, 병렬 처리에도 제약이 있습니다. 반면 Transformer는 Self-Attention 메커니즘을 활용해 병렬처리가 가능하고, 장기 의존성 문제도 잘 해결합니다. 다만 LSTM에 비해 파라미터
|
|
메뉴펼치기
