%0 Journal Article %A Tayebi, Morteza %A Pahlavani, Parham %T Analyzing the performance of different machine learning methods in determining the transportation mode using trajectory data %J Journal of Geospatial Information Technology %V 10 %N 3 %U http://jgit.kntu.ac.ir/article-1-875-fa.html %R 10.52547/jgit.10.3.71 %D 2023 %K Trajectory data, Determining the transportation mode, Classification, Machine learning, %X 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. %> http://jgit.kntu.ac.ir/article-1-875-fa.pdf %P 71-94 %& 71 %! %9 Research %L A-11-102-16 %+ University of Tehran %G eng %@ 2008-9635 %[ 2023