:: دوره 5، شماره 1 - ( 3-1396 ) ::
جلد 5 شماره 1 صفحات 20-1 برگشت به فهرست نسخه ها
شناسایی خودکار نوع وسیله‌ی سفر از داده‌های GPS وسایل همراه با استفاده از شبکه‌ی عصبی– فازی
الهه خزاعی* ، علی اصغر آل شیخ ، محمد کریمی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (4028 مشاهده)

تعیین نوع و تقاضای سفر اهمیت زیادی در سازمان‌های حمل و نقل هر کشور دارد. با تشخیص دقیق نوع وسیله‌ی سفر هر کاربر، امکان ارائه‌ی تصویر واقعی‌تری از تقاضای سفر فراهم می‌شود. همچنین در سرویس‌های مکان‌مبنا دانستن نوع وسیله‌ی سفر برای فرستادن تبلیغات هدفمند کاربرد دارد. در این تحقیق به‌منظور استخراج خودکار نوع وسیله‌ی سفر از شبکه‌ی عصبی-فازی و داده‌های سیستم تعیین موقعیت جهانی (GPS) وسیله‌ی همراه استفاده‌شده است. دانش مورد نیاز در قالب قوانین فازی از داده‌ها استخراج گردید و سپس با استفاده از این قوانین نوع وسیله‌ی سفر تعیین شد. در دو حالت مدل پیشنهادی مورد بررسی قرار گرفت. در حالت اول از کل داده‌های GPS به‌دست‌آمده از وسایل همراه برای تعیین نوع وسیله‌ی سفر استفاده گردید و در حالت دوم به‌منظور کاهش تعداد داده‌های مورد نیاز از وسیله‌ی همراه GPS دار، الگوریتم نقاط بحرانی به کار گرفته شد. به‌کارگیری این الگوریتم علاوه بر کاهش هزینه‌های جمع‌آوری داده، باعث حفظ منابع وسیله‌ی همراه از قبیل عمر باتری می‌گردد. نتایج حاکی از این است که مدل پیشنهادی در حالت استفاده از کل داده‌ها با دقت ۱/۹۴ % و در حالت استفاده از نقاط بحرانی با دقت ۵/۹۵%  قابلیت شناسایی نوع وسیله‌ی سفر را دارا می‌باشد.

واژه‌های کلیدی: شبکه‌ی عصبی- فازی، شناسایی نوع وسیله‌ی سفر، نقاط بحرانی، داده‌های GPS
متن کامل [PDF 1288 kb]   (1582 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1394/5/4 | پذیرش: 1395/3/13 | انتشار: 1396/3/17
فهرست منابع
1. [1] Stopher, P., & Greaves, S. P., "Household travel surveys: Where are we going?".Transportation Research Part A, Vol. 41, pp. 367–381, 2007. [DOI:10.1016/j.tra.2006.09.005]
2. [2] Murakami, E., Wagner, D. P., Neumeister, D. M., . "Using Global Positioning Systems and Personal Digital Assistants for Personal Travel Surveys in the United States". Grainau, Germany. : International Conference on Transport Survey Quality and Innovation, 1997.
3. [3] Murakami, E. and D. P.Wagner. "Can using global positioning system (GPS) improve trip reporting?" Transportation Research Part C, Vol. 7(2/3), pp. 149-165, 1999. [DOI:10.1016/S0968-090X(99)00017-0]
4. [4] Stenneth, L., Wolfson, O., Yu, P. S., & Xu, B., "Transportation mode detection using mobile phones and GIS information" . ACM SIGSPATIAL GIS-Chicago, IL, USA, 2011. [DOI:10.1145/2093973.2093982]
5. [5] Gonzalez,P, Weinstein,J. , Barbeau,S., Labrador, M. , Winters,P. , Georggi ,N., Perez,R., "Automating mode detection for travel behaviour analysis by using global positioning systems enabled mobile phones and neural networks". IEEE, Intelligent Transport Systems, IET, Vol. 4, pp. 37- 49. 1751-956X, 2010.
6. [6] Gong,H., Chen,C., Bialostozky,E., Lawson,C.T., "A GPS/GIS method for travel mode detection in New York City". Computers, Environment and Urban Systems, Vol. 36, pp. 131-139, 2012. [DOI:10.1016/j.compenvurbsys.2011.05.003]
7. [7] Bolbol,A., Cheng,T., Tsapakis,I., Haworth,J., "Inferring hybrid transportation modes from sparse GPS data using a moving window". 6, Computers, Environment and Urban Systems, Vol. 36, pp. 526–537, 2012. [DOI:10.1016/j.compenvurbsys.2012.06.001]
8. [8] Zheng, Y., Chen, Y., Li, Q., Xie, X., & Ma, W., "Understanding transportation modes based on GPS data for Web applications". 4 ACM Transaction on the Web, Vol. 1, pp. 1-36, 2010. [DOI:10.1145/1658373.1658374]
9. [9] Reddy, S., Mun, M., Burke, J., Estrin, D., Hansen, M., Srivastava, M., "Using Mobile Phones to Determine Transportation Modes". 2, ACM Transactions on Sensor Networks, Vol. 6, 2010.
10. [10] Schüssler, N.,& Axhausen,K.W. "Processing GPS Raw Data Without Additional Information". Transportation Research Record: Journal of the Transportation Research Board, 2105, pp. 28–36, 2009. [DOI:10.3141/2105-04]
11. [11] Iljecki, F., Ledoux, H. and Van Oosterom, P., "Transportation mode-based segmentation and classification of movement trajectories", International Journal of Geographical Information Science, Vol. 27(2), pp. 385-407,2013. [DOI:10.1080/13658816.2012.692791]
12. [12] Waga, K., Tabarcea, A., Chen, M. and Fränti, P., "Detecting movement type by route segmentation and classification," Collaborative Computing: Networking, Applications and Worksharing (CollaborateCom), 2012 8th International Conference on. IEEE, 2012. [DOI:10.4108/icst.collaboratecom.2012.250450]
13. [13] Rudloff, C. and Ray, M., "Detecting Travel Modes and Profiling Commuter Habits Solely Based on GPS Data, " In Proceedings of the Transportation Research Bسoard 89th Annual Meeting, Washington, DC, USA, 10–14 January 2010.
14. [14] Broach, J.; McNeil, N.W.; Dill, J., "Travel Mode Imputation Using GPS and Accelerator Data from Multi-Day Travel Survey.," In Proceedings of the Transportation Research Board 93rd Annual Meeting, Washington, DC, USA, 12–16 January 2014.
15. [15] Xiao, G., Zhicai J., and Jingxin Gao, "Travel Mode Detection Based on Neural Networks and Particle Swarm Optimization, " Information Vol.6(3), pp: 522-535,2015. [DOI:10.3390/info6030522]
16. [16] Wang, L., "Fuzzy Systems and Fuzzy Control", translated by Teshne Lab, M., Ofyuni, D., Safarpour, N., Khaje Nasir Toosi University Press, 2010
17. [17] Horikawa,S., T.,Furuhashi, Y.,Uchikawa , "On fuzzy modelling using fuzzy neural networks with the back-propagation algorithm". 5, IEEE Trans Neural Netw, Vol. 3, pp. 801–806. doi:10.1109/72.159069, 1992. [DOI:10.1109/72.159069]
18. [18] Lin, C.T., C.S.G.,Lee. "Neural-network-based fuzzy logic control and decision system". 12, IEEE Trans Comput C, Vol. 40, pp. 1320–1336, 1991. [DOI:10.1109/12.106218]
19. [19] Jang,J.S.R. "ANFIS: Adaptive-Network-Based Fuzzy Inference Systems". IEEE Transaction on Systems, Man, and Cybernetics 23, pp. 665-685, 1993 [DOI:10.1109/21.256541]
20. [20] Gonzalez, P., Weinstein, J., Barbeau, S., Labrador, M., Winters, P., Georggi, N., Perez,R., "Automating Mode Detection Using Neural Networks and Assisted GPS Data Collected Using GPS-enabled Mobile Phones". 15th World Congress on Intelligent Transportation Systems, 2008.
21. [21] Barbeau, S., Labrador, M., Perez, A., Winters, P., Georggi, N., Aguilar, D., Perez, R. "Dynamic Management of Real-Time Location Data on GPS-enabled Mobile Phones". UBICOMM 2008 – The Second International Conference on Mobile Ubiquitous Computing, Systems, Services, and Technologies, Valencia, Spain, September 29 – October 4, 2008. [DOI:10.1109/UBICOMM.2008.83]
22. [22] Vieira,J., M.,Dias, F.A.,Mota. "Neuro-Fuzzy Systems: A Survey". 5th WSEAS NNA International Conference on Neural Networks and Applications, 2004.
23. [23] Hammouda, K. "A comparative study of data clustering techniques". Citeseer, Vol. 625, 2000.
24. [24] Chiu. "fuzzy model identification based on cluster estimation". Journal of Intelligent & Fuzzy Systems, Vol. 2, pp. 267-278, 1994.
25. [25] Wu, Y., et al. "Fuzzy Logic and Neuro-fuzzy Systems: A Systematic Introduction". 2, International Journal of Artificial Intelligence and Expert Systems (IJAE), Vol. 2, 2011.
26. [26] Setnes, M., et al. "Similarity Measures in Fuzzy Rule Base Simplification". 3, IEEE Transactions on systems, man, and cybernetics part b cybernetics,vol. 28, 1998.
27. [27] Chen, M.Y, D.A., Linkens. "Rule-base self-generation and simpli&cation for data-driven". Fuzzy Sets and Systems, Vol. 142, pp. 243 – 265, 2004. [DOI:10.1016/S0165-0114(03)00160-X]
28. [28] Aly, M. "Survey on Multi-Class Classification Methods". Technical Report, Caltech, USA, 2005.
29. [29] Jang, J.S.R. "Input selection for ANFIS learning". IEEE, pp. 1493-1499. 1098-7584, 978-1-4244-3596-8, 1996. [DOI:10.1109/FUZZY.1996.552396]
30. [30] Ladha, L., Deepa, T. "Feature selection methods and algorithms". 5, International Journal on Computer Science and Engineering (IJCSE), Vol. 3. ISSN:0975-3397, 2011.



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 5، شماره 1 - ( 3-1396 ) برگشت به فهرست نسخه ها