این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
سنجش از دور و Gis ایران، جلد ۱۳، شماره ۴، صفحات ۸۹-۱۰۰
عنوان فارسی تعیین پارامترهای مؤثر زمینه‌ای در پیش‌بینی آنی موقعیت کشتی با استفاده از یادگیری عمیق
چکیده فارسی مقاله حدود 80% از حمل‌ونقل جهانی در بستر دریا انجام می‌شود؛ بنابراین، به‌منظور حفظ ایمنی عبورومرور کشتی‌ها، پیش‌بینی دقیق حرکت آنها اهمیت ویژه‌ای دارد. ازآن‌جاکه پارامترهای زمینه‌ای گوناگونی در حرکت کشتی‌ها تأثیر می‌گذارد، یکی از چالش‌های اصلی در حوزه محاسبات زمینه‌ـ آگاه حرکت کشتی‌ها شناسایی پارامترهای زمینه‌ای بهینه مؤثر در حرکت کشتی است که ضرورت تحقیق حاضر را می‌رساند. در این راستا، با استفاده از شبکه عصبی حافظه طولانی کوتاه‌ـ مدت و انتخاب پارامتر به‌شیوه پوشانه (Wrapper)، اقدام به شناسایی پارامترهای زمینه‌ای بهینه برای پیش‌بینی حرکت کشتی شد. به این منظور، داده‌های سیستم شناسایی خودکار کشتی‌ها، جمع‌آوری‌شده در دسامبر سال 2017 از ساحل شرقی آمریکا، به‌کار رفت. تمامی ترکیبات ممکن از سه پارامتر زمینه‌ای سرعت، جهت و احتمال حضور کشتی در هر نقطه از دریا، با روش پوشانه، در مدل پیش‌بینی یادشده ارزیابی شد. در ارزیابی‌ها، 70% از داده‌ها برای آموزش و مابقی برای اعتبارسنجی متقابل به‌کار رفت. طبق نتایج، پارامترهای سرعت و احتمال حضور به‌منزله پارامترهای زمینه‌ای بهینه شناسایی شد؛ به‌صورتی‌که دقت مدل با ورودی‌های بهینه 26.98% بهتر از مدلی است که در تمام پارامترهای زمینه‌ای در دسترس به‌منزله ورودی به‌کار رفته و نیز 16.14% بهتر از مدل بدون زمینه است؛ بنابراین، شناسایی پارامترهای زمینه‌ای بهینه از میان پارامترهای در دسترس و استفاده از آنها می‌تواند به بهبود دقت کمک کند
کلیدواژه‌های فارسی مقاله زمینه‌ـ آگاه، شبکه حافظه طولانی کوتاه‌مدت، سیستم شناسایی خودکار کشتی‌ها، روش پوشانه، پیش‌بینی حرکت، زمینه،
عنوان انگلیسی Finding Optimal Contextual Parameters for Real-Time Vessel Position Prediction Using Deep Learning
چکیده انگلیسی مقاله About 80% of world transportation happens at sea. Therefore the safety of vessels, in particularduring vessels’ movement, is crucially important. As different contextual parameters affect vessels’movement, selecting optimal contextual parameters is one of the main changes in vessels’ Context-Aware movement analysis. Toward this end, a Long Short-Term Memory (LSTM) network is usedfor wrapper feature selection to identify optimal contextual parameters for vessels’ movementprediction. To do this, the Automatic Identification System (AIS) dataset from the eastern coast of theUnited States of America collected from December 2017 is used. All possible combinations of threecontextual parameters, including speed, course and vessels’ presence probability in different positionsat sea, were evaluated using the wrapper method in the LSTM network. In all evaluations, 70% ofdata was used for training and the remaining for cross-validation. The results selected speed andpresence probability as optimal contextual parameters for vessel movement prediction. The modeltrained with optimal contextual parameters is 26.98% more accurate than a model trained with allavailable contextual parameters and 16.14% better than a model without contextual parameters.Therefore, selecting optimal parameters from available contextual parameters can help improve theaccuracy of vessels’ predictions. Keywords: Context-Aware, Long Short-Term Memory, AutomaticIdentification System, wrapper, Movement prediction, Context.
کلیدواژه‌های انگلیسی مقاله زمینه‌ـ آگاه, شبکة حافظة طولانی کوتاه‌مدت, سیستم شناسایی خودکار کشتی‌ها, روش پوشانه, پیش‌بینی حرکت, زمینه
نویسندگان مقاله علی اصغر آل شیخ |
استاد دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

سعید مهری |
دانشجوی دکتری دانشکدة مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

نشانی اینترنتی https://gisj.sbu.ac.ir/article_101688_99a1b8cea5f967844a24000153bf4347.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات