پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,871 |
| تعداد مشاهده مقاله | 115,445,306 |
| تعداد دریافت فایل اصل مقاله | 90,215,876 |
تخمین حالت های سفر به کمک الگوریتم‌های یادگیری ماشین به منظور حمل و نقل پایدار شهری | ||
| مجله علمی " آمایش سرزمین " | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 بهمن 1402 اصل مقاله (1.08 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2024.370374.670427 | ||
| نویسندگان | ||
| امید شامحمدی1؛ پرهام پهلوانی* 2؛ محمدعلی شریفی3 | ||
| 1گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی،دانشکدگان فنی دانشگاه تهران،تهران | ||
| 2گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران | ||
| 3گروه ژئودزی، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، | ||
| چکیده | ||
| بخش زیادی از سفرهای روزانه درون شهری با هدف دسترسی به خدمات، سرویس‌ها و کالاهایی است که امکان تهیه آن‌ها در یک منطقه مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد وعلت حجم بالای ترافیک در آن‌ها می‌تواند به توزیع صحیح‌تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین‌ها با هدف کاهش تعداد، مسافت و زمان سفرهای درون شهری منجر شود. باظهور سنسورهای تعیین موقعیت مبتنی بر سامانه‌های جهانی ناوبری ماهواره‌ای بر روی تلفن‌های همراه، امکان ثبت آنی مواردی چون موقعیت، سرعت و شتاب افراد به صورت آنی فراهم شده است. بنابراین، در این پژوهش تلاش شده است تا امکان استفاده از داده‌های GNSS ثبت شده توسط تلفن همراه، با هدف شناسایی حالت حمل ونقلی که کاربر از آن استفاده نموده است، توسط چهار مدل یادگیری ماشین نظارت شده با نام‌های RF ، GB ، XGB و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه داده مایکروسافت Geolife و MTL 2017 که از ویژگی‌های لازم برای این هدف برخوردار هستند، به عنوان داده ورودی استفاده شده‌است. پس از استخراج ویژگی‌های هر مسیر از این دو مجموعه داده، با هدف بهبود کارائی مدل‌ها و کاهش حجم پردازش، از میان ویژگی‌های موجود، ویژگی‌های مهم‌تر شناسایی و کلاسه‌بندی بر اساس آن‌ها اعمال شده است. در بین مدلهای استفاده شده، مدل LightGM برای مجموعه داداه‌ی اول با کسب مقدار 57/92 درصد در F1-Score برای داده‌های تست و مدل XGB برای مجموعه داده‌ی دوم با کسب مقدار 67/ 92 در F1-Score برای داده‌های تست در در در بین مدلهای موجود بهترین عملکرد را داشته‌اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به درستی تخمین زده شده‌است که منجر به حمل و نقل پایدار شهری می-گردد. | ||
| کلیدواژه‌ها | ||
| حمل و نقل پایدار شهری؛ حالت‌های سفر؛ جریان داده‌های GNSS؛ استخراج ویژگی؛ الگوریتم‌های کلاسه‌بندی نظارت‌شده | ||
| عنوان مقاله [English] | ||
| Estimating the travel modes using machine learning algorithms for sustainable urban transportation | ||
| نویسندگان [English] | ||
| Omid Shamohammadi1؛ Parham Pahlavani2؛ Mohammad Ali Sharifi3 | ||
| 1GIS Department, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran | ||
| 2Department of GIS, School of Surveying and Geospatial Information, College of Engineering, University of Tehran, Tehran, Iran | ||
| 3Department of Geodesy, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| A significant portion of daily urban intra-city trips is aimed at accessing services, amenities, and goods that are not readily available in a specific area. Therefore, analyzing the frequently used trajectory and identifying the reasons for high traffic volumes on these trajectories can lead to a more accurate distribution of facilities, services, and proper land use allocation with the goal of reducing the number, distance, and time of intra-city trips. With the advent of Global Navigation Satellite Systems(GNSS) positioning sensors on smart phones, the real-time collection of individuals' positions, speed, acceleration, and more has become possible. Consequently, this research has sought to examine the possibility of using GNSS data recorded by smart phones to identify the transportation mode used by the user through four supervised machine learning models named Random Forest (RF), Gradient Boosting (GB), eXtreme Gradient Boosting (XGB), and Light Gradient Boosting Model (LightGM). For this purpose, two datasets, Microsoft Geolife and MTL 2017, which possess the necessary features for this goal, have been used as the input data. After extracting the features of each trajectory from these two datasets, with the aim of improving the models' performance and reducing processing time, among the available features, the most important ones have been identified and classification has been applied based on them. Among the models used LightGM and XGB models achieved the best performance for the first and second dataset with respective F1-Scores of 92.57% and 92.67% for test data. Out of a total of 1349 trips, this algorithm accurately estimated 1250 trips, contributing to sustainable urban transportation. | ||
| کلیدواژه‌ها [English] | ||
| Sustainable urban transportation, Travel modes, Streaming GNSS, Feature extraction, Supervised classification algorithms | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 62 تعداد دریافت فایل اصل مقاله: 62 |
||