پیش بینی حالت های حمل ونقل از نقاط خط سیر با استفاده از روش های تقویت کننده و یادگیری عمیق در حمل ونقل هوشمند

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 108

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

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 :
  • Adler, J. L. and V. J. Blue, (۱۹۹۸), "Toward the ...
  • Bantis, T. and J. Haworth, (۲۰۱۷), "Who you are is ...
  • Bao, J., Y. Zheng, D. Wilkie and M. Mokbel, (۲۰۱۵), ...
  • Bedogni, L., M. Di Felice and L. Bononi, (۲۰۱۶), "Context‐aware ...
  • Bengio, Y., P. Frasconi and P. Simard, (۱۹۹۳), "The problem ...
  • Biljecki, F., H. Ledoux and P. Van Oosterom, (۲۰۱۳), "Transportation ...
  • Bolbol, A., T. Cheng, I. Tsapakis and J. Haworth, (۲۰۱۲), ...
  • Caruana, R., S. Lawrence and L. Giles, (۲۰۰۱), "Overfitting in ...
  • Chamoso, P., A. González-Briones, S. Rodríguez and J. M. Corchado, ...
  • Chatzimilioudis, G., A. Konstantinidis, C. Laoudias and D. Zeinalipour-Yazti, (۲۰۱۲), ...
  • Chen, T. and C. Guestrin, (۲۰۱۶), "Xgboost: A scalable tree ...
  • Chon, J. and H. Cha, (۲۰۱۱), "Lifemap: A smartphone-based context ...
  • Chung, E.-H. and A. Shalaby, (۲۰۰۵), "A trip reconstruction tool ...
  • Cui, G., J. Luo and X. Wang, (۲۰۱۸), "Personalized travel ...
  • Dabiri, S. and K. Heaslip, (۲۰۱۸), "Inferring transportation modes from ...
  • Das, R. D. and S. Winter, (۲۰۱۶), "Detecting urban transport ...
  • Dorogush, A. V., V. Ershov and A. Gulin, (۲۰۱۸), "CatBoost: ...
  • Endo, Y., H. Toda, K. Nishida and A. Kawanobe, (۲۰۱۶), ...
  • Friedman, J. H., (۲۰۰۱), "Greedy function approximation: a gradient boosting ...
  • Ge, R., S. M. Kakade, R. Kidambi and P. Netrapalli, ...
  • Gers, F. A., J. Schmidhuber and F. Cummins (۱۹۹۹), "Learning ...
  • Guo, M., S. Liang, L. Zhao and P. Wang (۲۰۲۰), ...
  • Han, J., M. Kamber and J. Pei, (۲۰۱۱), "Data mining ...
  • Hochreiter, S., (۱۹۹۸), "The vanishing gradient problem during learning recurrent ...
  • Jahangiri, A. and H. Rakha, (۲۰۱۴), "Developing a support vector ...
  • Jarašūniene, A., (۲۰۰۷), "Research into intelligent transport systems (ITS) technologies ...
  • Jović, A., K. Brkić and N. Bogunović, (۲۰۱۵), "A review ...
  • Ke, G., Q. Meng, T. Finley, T. Wang, W. Chen, ...
  • Kingma, D. P. and J. Ba, (۲۰۱۴), "Adam: A method ...
  • Kitchin, R., (۲۰۱۴), "The real-time city? Big data and smart ...
  • Krizhevsky, A., I. Sutskever and G. E. Hinton, (۲۰۱۷), "ImageNet ...
  • Langley, R. B., (۱۹۹۷), "Innovation: the GPS error budget", GPS ...
  • Li, J., X. Pei, X. Wang, D. Yao, Y. Zhang ...
  • Lipton, Z. C., C. Elkan and B. Naryanaswamy (۲۰۱۴). Optimal ...
  • Nawaz, A., H. Zhiqiu, W. Senzhang, Y. Hussain, I. Khan ...
  • Novaković, J. D., A. Veljović, S. S. Ilić, Ž. Papić ...
  • Nwankpa, C., W. Ijomah, A. Gachagan and S. Marshall, (۲۰۱۸), ...
  • Pan, G., G. Qi, Z. Wu, D. Zhang and S. ...
  • Payne, S., (۲۰۱۵), "Study on key performance indicators for intelligent ...
  • Phithakkitnukoon, S., T. Horanont, G. Di Lorenzo, R. Shibasaki and ...
  • Prokhorenkova, L., G. Gusev, A. Vorobev, A. V. Dorogush and ...
  • Quessada, M. S., R. S. Pereira, W. Revejes, B. Sartori, ...
  • Scheiner, J. and C. Holz-Rau, (۲۰۰۷), "Travel mode choice: affected ...
  • Scherer, D., A. Müller and S. Behnke, (۲۰۱۰), "Evaluation of ...
  • Shi, X., Z. Chen, H. Wang, D.-Y. Yeung, W. K. ...
  • Simonyan, K. and A. Zisserman, (۲۰۱۴), "Very deep convolutional networks ...
  • Song, X., H. Kanasugi and R. Shibasaki, (۲۰۱۶), "Deeptransport: Prediction ...
  • Stenneth, L., O. Wolfson, P. S. Yu and B. Xu ...
  • Stopher, P., C. FitzGerald and J. Zhang, (۲۰۰۸), "Search for ...
  • Su, X., H. Caceres, H. Tong and Q. He, (۲۰۱۶), ...
  • Tamane, S. C., N. Dey and A. E. Hassanien (۲۰۲۰), ...
  • Tang, L., Z. Kan, X. Zhang, X. Yang, F. Huang ...
  • Tang, L., X. Yang, Z. Dong and Q. Li, (۲۰۱۶), ...
  • Venkatesh, B. and J. Anuradha, (۲۰۱۹),"A review of feature selection ...
  • Vu, T. H., L. Dung and J.-C. Wang, (۲۰۱۶), "Transportation ...
  • Wang, B., Y. Wang, K. Qin and Q. Xia (۲۰۱۸), ...
  • Xiao, Z., Y. Wang, K. Fu and F. Wu, (۲۰۱۷), ...
  • Yang, X., L. Tang, L. Niu, X. Zhang and Q. ...
  • Zheng, Y., H. Fu, X. Xie, W. Ma and Q. ...
  • Zheng, Y., Q. Li, Y. Chen, X. Xie and W.-Y. ...
  • Zheng, Y., L. Liu, L. Wang and X. Xie (۲۰۰۸), ...
  • نمایش کامل مراجع