[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.8
نرخ رد: 37.2
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 10، شماره 3 - ( 11-1401 ) ::
جلد 10 شماره 3 صفحات 94-71 برگشت به فهرست نسخه ها
ارزیابی عملکرد روش‌های مختلف یادگیری ماشین در شناسایی نوع حمل و نقل با استفاده از داده‌های خط سیر
مرتضی طیبی ، پرهام پهلوانی*
دانشگاه تهران
چکیده:   (1174 مشاهده)
با ظهور گسترده گوشی‌های هوشمند که به سامانه موقعیت‌یاب جهانی (GPS) مجهز هستند، حجم انبوهی از داده‌های مکانی خط سیر کاربران ایجاد شده است. مطالعه بر روی این داده‌ها در راستای تسهیل مدیریت شهری و ارائه مناسب خدمات به کاربران به‌عنوان یک زمینه تحقیقاتی گسترده مطرح شده و در حال رشد است. در این تحقیق به شناسایی نوع حمل‌ونقل خطوط سیر کاربران بر مبنای داده‌های خام GPS آن‌ها پرداخته شده است. این داده‌ها غالباً دارای خطاهایی هستند که در این تحقیق با اعمال یک فرآیند پیش‌پردازش چندمرحله‌ای سعی شده است مقدار خطا به حداقل برسد. سپس به‌منظور شناسایی نوع حمل‌ونقل شامل پیاده‌روی، دوچرخه، قطار، اتوبوس و رانندگی ویژگی‌های متعددی استخراج می‌شود. در ادامه به‌منظور ساختن مدل پیش‌بینی کننده از چهار روش طبقه‌بندی درخت تصمیم، شبکه عصبی پرسپترون چندلایه، بیز ساده و ماشین بردار پشتیبان استفاده می‌شود. در جهت بهبود عملکرد روش‌های پیاده‌سازی، از درصد حضور نقاط هر خط سیر در فاصله یک انحراف معیار از میانگین کل سرعت نوع‌های حمل‌ونقل به عنوان یک ویژگی جدید استفاده شده است. پیاده‌سازی چهار مدل یادشده به ازای پارامترهای تنظیم‌کننده مختلف انجام شده و پس از  یک جستجوی جامع شبکه‌ای پارامترهای مختلف موجود در این روش‌ها در بهینه‌ترین مقدار تنظیم می‌شوند. در ادامه از سه شاخص کاپا، دقت کلی و خطای جذر میانگین مربعات (RMSE) برای ارزیابی روش‌های مختلف استفاده می‌شود. نتایج حاصل از این تحقیق نشان داد که شبکه عصبی پرسپترون چندلایه با دقت کلی 88/0 توانست بهترین نتایج را نسبت به سایر مدل‌ها از خود نشان دهد.
 
واژه‌های کلیدی: داده‌های خط سیر، تعیین نوع حمل‌ونقل، طبقه‌بندی، یادگیری ماشین
متن کامل [PDF 2054 kb]   (381 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1401/2/26 | پذیرش: 1401/11/1 | انتشار: 1401/11/17
فهرست منابع
1. [1] Y. Zheng, L. Capra, O. Wolfson, and H. Yang, "Urban computing: concepts, methodologies, and applications," ACM Transactions on Intelligent Systems and Technology (TIST), vol. 5, pp. 1-55, 2014. [DOI:10.1145/2629592]
2. [2] Y. Zheng, "Trajectory data mining: an overview," ACM Transactions on Intelligent Systems and Technology (TIST), vol. 6, pp. 1-41, 2015. [DOI:10.1145/2743025]
3. [3] E. Camossi, P. Villa, and L. Mazzola, "Semantic-based anomalous pattern discovery in moving object trajectories," arXiv preprint arXiv:1305.1946, 2013.
4. [4] O. Wolfson, B. Xu, S. Chamberlain, and L. Jiang, "Moving objects databases: Issues and solutions," in Proceedings. Tenth International Conference on Scientific and Statistical Database Management (Cat. No. 98TB100243), 1998, pp. 111-122.
5. [5] A. Elragal and N. El-Gendy, "Trajectory data mining: integrating semantics," Journal of Enterprise Information Management, vol. 26, pp. 516-535, 2013. [DOI:10.1108/JEIM-07-2013-0038]
6. [6] S. Chen, C. S. Jensen, and D. Lin, "A benchmark for evaluating moving object indexes," Proceedings of the VLDB Endowment, vol. 1, pp. 1574-1585, 2008. [DOI:10.14778/1454159.1454229]
7. [7] R. H. Güting, T. Behr, and C. Düntgen, "SECONDO: A Platform for Moving Objects Database Research and for Publishing and Integrating Research Implementations," IEEE Data Eng. Bull., vol. 33, pp. 56-63, 2010.
8. [8] N. Pelekis, Y. Theodoridis, S. Vosinakis, and T. Panayiotopoulos, "Hermes-a framework for location-based data management," in International Conference on Extending Database Technology, 2006, pp. 1130-1134. [DOI:10.1007/11687238_75]
9. [9] O. Wolfson, P. Sistla, B. Xu, J. Zhou, and S. Chamberlain, "DOMINO: Databases for moving objects tracking," ACM SIGMOD Record, vol. 28, pp. 547-549, 1999. [DOI:10.1145/304181.304572]
10. [10] S. Dabiri and K. Heaslip, "Inferring transportation modes from GPS trajectories using a convolutional neural network," Transportation research part C: emerging technologies, vol. 86, pp. 360-371, 2018. [DOI:10.1016/j.trc.2017.11.021]
11. [11] N. Eluru, V. Chakour, and A. M. El-Geneidy, "Travel mode choice and transit route choice behavior in Montreal: insights from McGill University members commute patterns," Public Transport, vol. 4, pp. 129-149, 2012. [DOI:10.1007/s12469-012-0056-2]
12. [12] Y. Zheng, Y. Chen, Q. Li, X. Xie, and W.-Y. Ma, "Understanding transportation modes based on GPS data for web applications," ACM Transactions on the Web (TWEB), vol. 4, pp. 1-36, 2010. [DOI:10.1145/1658373.1658374]
13. [13] Y. Endo, H. Toda, K. Nishida, and A. Kawanobe, "Deep feature extraction from trajectories for transportation mode estimation," in Pacific-Asia Conference on Knowledge Discovery and Data Mining, 2016, pp. 54-66. [DOI:10.1007/978-3-319-31750-2_5]
14. [14] X. Kong, M. Li, K. Ma, K. Tian, M. Wang, Z. Ning, et al., "Big trajectory data: A survey of applications and services," IEEE Access, vol. 6, pp. 58295-58306, 2018. [DOI:10.1109/ACCESS.2018.2873779]
15. [15] J. Shang, Y. Zheng, W. Tong, E. Chang, and Y. Yu, "Inferring gas consumption and pollution emission of vehicles throughout a city," in Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, 2014, pp. 1027-1036. [DOI:10.1145/2623330.2623653]
16. [16] X. Xiao, Y. Zheng, Q. Luo, and X. Xie, "Inferring social ties between users with human location history," Journal of Ambient Intelligence and Humanized Computing, vol. 5, pp. 3-19, 2014. [DOI:10.1007/s12652-012-0117-z]
17. [17] R. C. Shah, C.-y. Wan, H. Lu, and L. Nachman, "Classifying the mode of transportation on mobile phones using GIS information," in Proceedings of the 2014 ACM international joint conference on pervasive and ubiquitous computing, 2014, pp. 225-229. [DOI:10.1145/2632048.2632109]
18. [18] D. J. Patterson, L. Liao, D. Fox, and H. Kautz, "Inferring high-level behavior from low-level sensors," in International Conference on Ubiquitous Computing, 2003, pp. 73-89. [DOI:10.1007/978-3-540-39653-6_6]
19. [19] Y. Zheng, Y. Chen, X. Xie, and W.-Y. Ma, "GeoLife2. 0: a location-based social networking service," in 2009 tenth international conference on mobile data management: systems, services and middleware, 2009, pp. 357-358. [DOI:10.1109/MDM.2009.50]
20. [20] Y. Zheng, L. Liu, L. Wang, and X. Xie, "Learning transportation mode from raw gps data for geographic applications on the web," in Proceedings of the 17th international conference on World Wide Web, 2008, pp. 247-256. [DOI:10.1145/1367497.1367532]
21. [21] Y. Zheng, Q. Li, Y. Chen, X. Xie, and W.-Y. Ma, "Understanding mobility based on GPS data," in Proceedings of the 10th international conference on Ubiquitous computing, 2008, pp. 312-321. [DOI:10.1145/1409635.1409677]
22. [22] H. Wang, G. Liu, J. Duan, and L. Zhang, "Detecting transportation modes using deep neural network," IEICE TRANSACTIONS on Information and Systems, vol. 100, pp. 1132-1135, 2017. [DOI:10.1587/transinf.2016EDL8252]
23. [23] Z. Xiao, Y. Wang, K. Fu, and F. Wu, "Identifying different transportation modes from trajectory data using tree-based ensemble classifiers," ISPRS International Journal of Geo-Information, vol. 6, p. 57, 2017. [DOI:10.3390/ijgi6020057]
24. [24] S. Dabiri, C.-T. Lu, K. Heaslip, and C. K. Reddy, "Semi-supervised deep learning approach for transportation mode identification using GPS trajectory data," IEEE Transactions on Knowledge and Data Engineering, vol. 32, pp. 1010-1023, 2019. [DOI:10.1109/TKDE.2019.2896985]
25. [25] A. Nawaz, H. Zhiqiu, W. Senzhang, Y. Hussain, I. Khan, and Z. Khan, "Convolutional LSTM based transportation mode learning from raw GPS trajectories," IET Intelligent Transport Systems, vol. 14, pp. 570-577, 2020. [DOI:10.1049/iet-its.2019.0017]
26. [26] J. James, "Travel Mode Identification With GPS Trajectories Using Wavelet Transform and Deep Learning," IEEE Transactions on Intelligent Transportation Systems, 2020.
27. [27] Z. Huang, P. Wang, and Y. Liu, "Statistical characteristics and transportation mode identification of individual trajectories," International Journal of Modern Physics B, vol. 34, p. 2050092, 2020. [DOI:10.1142/S0217979220500927]
28. [28] B. E. Boser, I. M. Guyon, and V. N. Vapnik, "A training algorithm for optimal margin classifiers," in Proceedings of the fifth annual workshop on Computational learning theory, 1992, pp. 144-152. [DOI:10.1145/130385.130401]
29. [29] Y. Ma and G. Guo, Support vector machines applications vol. 649: Springer, 2014. [DOI:10.1007/978-3-319-02300-7]
30. [30] S. R. Safavian and D. Landgrebe, "A survey of decision tree classifier methodology," IEEE transactions on systems, man, and cybernetics, vol. 21, pp. 660-674, 1991. [DOI:10.1109/21.97458]
31. [31] J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques: Elsevier, 2011.
32. [32] R. Hecht-Nielsen, "Theory of the backpropagation neural network," in Neural networks for perception, ed: Elsevier, 1992, pp. 65-93. [DOI:10.1016/B978-0-12-741252-8.50010-8]
33. [33] T. Vincenty, "Direct and inverse solutions of geodesics on the ellipsoid with application of nested equations," Survey review, vol. 23, pp. 88-93, 1975. [DOI:10.1179/sre.1975.23.176.88]
34. [34] R. W. Schafer, "What is a Savitzky-Golay filter?[lecture notes]," IEEE Signal processing magazine, vol. 28, pp. 111-117, 2011. [DOI:10.1109/MSP.2011.941097]
35. [35] Y. Zheng, H. Fu, X. Xie, W.-Y. Ma, and Q. Li, "Geolife GPS trajectory dataset-user guide," Microsoft Research, 2011.
36. [36] Y. Zheng, L. Zhang, X. Xie, and W.-Y. Ma, "Mining interesting locations and travel sequences from GPS trajectories," in Proceedings of the 18th international conference on World wide web, 2009, pp. 791-800. [DOI:10.1145/1526709.1526816]
37. [37] Y. Zheng, X. Xie, and W.-Y. Ma, "GeoLife: A collaborative social networking service among user, location and trajectory," IEEE Data Eng. Bull., vol. 33, pp. 32-39, 2010.
38. [38] I. Syarif, A. Prugel-Bennett, and G. Wills, "SVM parameter optimization using grid search and genetic algorithm to improve classification performance," Telkomnika, vol. 14, p. 1502, 2016. [DOI:10.12928/telkomnika.v14i4.3956]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tayebi M, Pahlavani P. Analyzing the performance of different machine learning methods in determining the transportation mode using trajectory data. jgit 2023; 10 (3) :71-94
URL: http://jgit.kntu.ac.ir/article-1-875-fa.html

طیبی مرتضی، پهلوانی پرهام. ارزیابی عملکرد روش‌های مختلف یادگیری ماشین در شناسایی نوع حمل و نقل با استفاده از داده‌های خط سیر. مهندسی فناوری اطلاعات مکانی. 1401; 10 (3) :71-94

URL: http://jgit.kntu.ac.ir/article-1-875-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 3 - ( 11-1401 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4645