fa شناسایی خودکار نوع وسیله‌ی سفر از داده‌های GPS وسایل همراه با استفاده از شبکه‌ی عصبی– فازی سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <p dir="RTL" style="margin-top:0cm;margin-right:7.1pt;margin-bottom:0cm;margin-left:7.1pt;margin-bottom:.0001pt;text-align:justify;text-justify:inter-ideograph;"><span style="font-family:b nazanin;">تعیین نوع و تقاضای سفر اهمیت زیادی در سازمان‌های حمل و نقل هر کشور دارد. با تشخیص دقیق نوع وسیله‌ی سفر هر کاربر، امکان</span>&nbsp;<span style="font-family:b nazanin;">ارائه‌ی</span>&nbsp;<span style="font-family:b nazanin;">تصویر</span> <span style="font-family:b nazanin;">واقعی‌تری از تقاضای سفر فراهم می‌شود. همچنین در سرویس‌های مکان‌مبنا دانستن نوع وسیله‌ی سفر برای فرستادن</span>&nbsp;<span style="font-family:b nazanin;">تبلیغات هدفمند کاربرد دارد. در این تحقیق به‌منظور استخراج خودکار نوع وسیله‌ی سفر از شبکه‌ی عصبی-فازی و داده‌های </span><span style="font-family:b nazanin;">سیستم تعیین موقعیت جهانی</span><span style="font-family:b nazanin;"> (</span><span dir="LTR"><span style="font-size:8.0pt;">GPS</span></span><span style="font-family:b nazanin;">)</span><span style="font-family:b nazanin;"> وسیله‌ی همراه استفاده‌شده است. </span><span style="font-family:b nazanin;">دانش مورد نیاز در قالب قوانین فازی از داده‌ها استخراج گردید </span><span style="font-family:b nazanin;">و سپس با</span>&nbsp;<span style="font-family:b nazanin;">استفاده از این قوانین نوع وسیله‌ی سفر تعیین شد. در دو حالت مدل پیشنهادی مورد بررسی قرار گرفت. در حالت اول از کل</span>&nbsp;<span style="font-family:b nazanin;">داده‌های </span><span dir="LTR"><span style="font-size:8.0pt;">GPS</span></span> <span style="font-family:b nazanin;">به‌دست‌آمده از وسایل همراه برای تعیین نوع وسیله‌ی سفر استفاده گردید و در حالت دوم به‌منظور کاهش تعداد</span>&nbsp;<span style="font-family:b nazanin;">داده‌های مورد نیاز از</span>&nbsp;<span style="font-family:b nazanin;">وسیله‌ی همراه </span><span dir="LTR"><span style="font-size:8.0pt;">GPS</span></span><span style="font-family:b nazanin;"> دار، الگوریتم نقاط بحرانی به کار گرفته شد. به‌کارگیری این الگوریتم علاوه بر کاهش هزینه‌های جمع‌آوری داده، باعث</span>&nbsp;<span style="font-family:b nazanin;">حفظ منابع وسیله‌ی همراه از قبیل عمر باتری می‌گردد. نتایج حاکی از این است که مدل پیشنهادی در</span>&nbsp;<span style="font-family:b nazanin;">حالت استفاده از کل داده‌ها با</span>&nbsp;<span style="font-family:b nazanin;">دقت ۱/۹۴ % و در حالت استفاده از نقاط بحرانی با دقت ۵/۹۵%&nbsp; قابلیت شناسایی نوع وسیله‌ی سفر را دارا می‌باشد.</span></p> <p>Cognition of travel mode and travel demand is of prime importance to transportation communities and agencies in every country. If the precise transportation modes of individual users are recognized, a more realistic travel demand can be considered. Also, in location-based service, the knowledge of a traveler&rsquo;s transportation mode is applied to send targeted and customized informative advertisements. This study examines the feasibility of using a neuro-fuzzy inference system to automatically detect the mode of transportation from GPS data collected by GPS-enabled mobile phones. To achieve this, the knowledge was extracted in the form of fuzzy rules from the data and, then, the rules are being used for determination of transportation&rsquo;s mode. For this purpose, the model was examined in two cases. In the first case, all GPS data from mobile devices were used, while in the second case the critical point algorithm was exercised. In addition to reducing the size of required GPS datasets, the critical point algorithm decreases data collection cost and saving mobile phone resources such as its battery life. The results showed that the suggested model have the capability of detecting a transportation&nbsp; mode with 94/1 percent accuracy in case of using all GPS data and 95.5 percent accuracy in case of using critical points.</p> شبکه‌ی عصبی- فازی, شناسایی نوع وسیله‌ی سفر, نقاط بحرانی, داده‌های GPS Neuro-fuzzy system, Transportation Mode detection, Critical points, GPS data. 1 20 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-211-1&slc_lang=fa&sid=1 Elahe khazaei الهه خزاعی Ekhazaei@mail.kntu.ac.ir 10031947532846004891 10031947532846004891 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Asghar Alesheikh علی اصغر آل شیخ alesheikh@kntu.ac.ir 10031947532846004892 10031947532846004892 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی mohammad Karimi محمد کریمی mkarimi@kntu.ac.ir 10031947532846004893 10031947532846004893 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی