این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آمایش سرزمین، جلد ۱۶، شماره ۲، صفحات ۲۳۹-۲۵۴
عنوان فارسی تخمین حالت‌های سفر به کمک الگوریتم‌ های یادگیری ماشین به منظور حمل‌ونقل پایدار شهری
چکیده فارسی مقاله بخش زیادی از سفرهای روزانه درون‌شهری با هدف دسترسی به خدمات، سرویس‌ها، و کالاهایی است که امکان تهیه آن‌ها در یک منطقه مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد و علت حجم بالای ترافیک در آن‌ها می‌تواند به توزیع صحیح‌تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین‌ها با هدف کاهش تعداد و مسافت و زمان سفرهای درون‌شهری منجر شود. با ظهور سنسورهای تعیین موقعیت مبتنی بر سامانه‌های جهانی ناوبری ماهواره‌ای بر تلفن‌های همراه، امکان ثبت آنی مواردی چون موقعیت و سرعت و شتاب افراد به صورت آنی فراهم شده است. بنابراین، در این پژوهش تلاش شده امکان استفاده از داده‌های GNSS ثبت‌شده توسط تلفن همراه با هدف شناسایی حالت حمل‌ونقلی که کاربر از آن استفاده کرده است توسط چهار مدل یادگیری ماشین نظارت‌شده با نام‌های RF، GB، XGB، و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه داده مایکروسافت Geolife و MTL 2017، که از ویژگی‌های لازم برای این هدف برخوردارند، به عنوان داده ورودی استفاده شد. پس از استخراج ویژگی‌های هر مسیر از این دو مجموعه داده، با هدف بهبود کارایی مدل‌ها و کاهش حجم پردازش، از میان ویژگی‌های موجود ویژگی‌های مهم‌تر شناسایی و کلاسه‌بندی بر اساس آن‌ها اعمال شد. بین مدل‌های استفاده‌شده، مدل LightGM برای مجموعه داده اول با کسب مقدار 57/92 درصد در F1-Score برای داده‌های تست و مدل XGB برای مجموعه داده دوم با کسب مقدار 67/92 در F1-Score برای داده‌های تست بین مدل‌های موجود بهترین عملکرد را داشته‌اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به‌درستی تخمین زده شد که منجر به حمل‌ونقل پایدار شهری می‌شود.
کلیدواژه‌های فارسی مقاله استخراج ویژگی،الگوریتم‌های کلاسه‌بندی نظارت‌شده،جریان داده‌های GNSS،حالت‌های سفر،حمل‌ونقل پایدار شهری،
عنوان انگلیسی Estimating the travel modes using machine learning algorithms for sustainable urban transportation
چکیده انگلیسی مقاله A significant portion of daily urban intra-city trips is aimed at accessing services, amenities, and goods that are not readily available in a specific area. Therefore, analyzing the frequently used trajectory and identifying the reasons for high traffic volumes on these trajectories can lead to a more accurate distribution of facilities, services, and proper land use allocation with the goal of reducing the number, distance, and time of intra-city trips. With the advent of Global Navigation Satellite Systems (GNSS) positioning sensors on smartphones, the real-time collection of individuals' positions, speed, acceleration, and more has become possible. Consequently, this research has sought to examine the possibility of using GNSS data recorded by smartphones to identify the transportation mode used by the user through four supervised machine learning models named Random Forest (RF), Gradient Boosting (GB), eXtreme Gradient Boosting (XGB), and Light Gradient Boosting Model (LightGM). For this purpose, two datasets, Microsoft Geolife and MTL 2017, which possess the necessary features for this goal, have been used as the input data. After extracting the features of each trajectory from these two datasets, with the aim of improving the models' performance and reducing processing time, among the available features, the most important ones have been identified, and classification has been applied based on them. Among the models used, the LightGM and XGB models achieved the best performance for the first and second datasets with respective F1-Scores of 92.57% and 92.67% for test data. Out of a total of 1349 trips, this algorithm accurately estimated 1250 trips, contributing to sustainable urban transportation.
کلیدواژه‌های انگلیسی مقاله استخراج ویژگی,الگوریتم‌های کلاسه‌بندی نظارت‌شده,جریان داده‌های GNSS,حالت‌های سفر,حمل‌ونقل پایدار شهری
نویسندگان مقاله امید شامحمدی |
گروه GIS، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

پرهام پهلوانی |
گروه GIS، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

محمدعلی شریفی |
گروه ژئودزی، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

نشانی اینترنتی https://jtcp.ut.ac.ir/article_95837_66c053572b2c5c85f01c992dac6f5c35.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