پیش بینی حالت های حمل ونقل از نقاط خط سیر با استفاده از روش های تقویت کننده و یادگیری عمیق در حمل ونقل هوشمند
محل انتشار: پژوهشنامه حمل و نقل، دوره: 20، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 108
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TRJ-20-3_009
تاریخ نمایه سازی: 7 مرداد 1402
چکیده مقاله:
: امروزه با گسترش شهرنشینی نیاز به حمل ونقل هوشمند به منظور تسهیل رفت و آمد شهروندان بیش از پیش مورد توجه قرار گرفته است. شناسایی و پیش بینی استفاده از حالات حمل ونقلی یکی از اساسی ترین پیش نیازها برای راه اندازی و استفاده از خدمات حمل ونقل هوشمند به شمار می آید. با پیشرفت فناوری های مکانی، ابزار و تلفن های هوشمند، اطلاعات زیادی با استفاده از سیستمهای تعیین موقعیت ماهواره ای (GNSS) توسط بسیاری از دستگاه ها تولید می شود. در این پژوهش، چهار ویژگی نقطه ای، ۵۶ ویژگی سفر و سه ویژگی پیشرفته استخراج شده، چهار مدل کلاسه بندی GB، XGBoost، LightGBM و CatBoost زیر مجموعه روش تقویت کننده (Boostig) پس از انتخاب ویژگی ترکیبی به همراه سه مدل کلاسه بندی CNN، LSTM و ConvLSTM زیر مجموعه روش یادگیری عمیق پیاده سازی و بررسی شده تا بتوان حالات حمل ونقلی شامل: پیاده روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار را با استفاده از مجموعه داده های GeoLife پیش بینی کنند. نتایج نشان داد مدل LightGBM با کسب دقت بالاتر (۴۹/۹۵درصد) و پیچیدگی زمانی کمتر، بهترین مدل نسبت به مدل های دیگر است.
کلیدواژه ها:
نویسندگان
سجاد صولتی
دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران
رحیم علی عباسپور
دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشگاه تهران، تهران، ایران
علیرضا چهرقان
دانشکده مهندسی معدن، دانشگاه صنعتی سهند، تبریز، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :