تخمین حالت های سفر به کمک الگوریتم های یادگیری ماشین به منظور حمل ونقل پایدار شهری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
بخش زیادی از سفرهای روزانه درون شهری با هدف دسترسی به خدمات، سرویس ها، و کالاهایی است که امکان تهیه آن ها در یک منطقه مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد و علت حجم بالای ترافیک در آن ها می تواند به توزیع صحیح تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین ها با هدف کاهش تعداد و مسافت و زمان سفرهای درون شهری منجر شود. با ظهور سنسورهای تعیین موقعیت مبتنی بر سامانه های جهانی ناوبری ماهواره ای بر تلفن های 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 داده های GNSS ثبت شده توسط تلفن همراه با هدف شناسایی حالت حمل ونقلی که کاربر از آن استفاده کرده است توسط چهار مدل یادگیری ماشین نظارت شده با نام های RF، GB، XGB، و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه داده مایکروسافت Geolife و MTL 2017، که از ویژگی های لازم برای این هدف برخوردارند، به عنوان داده ورودی استفاده شد. پس از استخراج ویژگی های هر مسیر از این دو مجموعه داده، با هدف بهبود کارایی مدل ها و کاهش حجم پردازش، از میان ویژگی های موجود ویژگی های مهم تر شناسایی و کلاسه بندی بر اساس آن ها اعمال شد. بین مدل های استفاده شده، مدل LightGM برای مجموعه داده اول با کسب مقدار 57/92 درصد در F1-Score برای داده های تست و مدل XGB برای مجموعه داده دوم با کسب مقدار 67/92 در F1-Score برای داده های تست بین مدل های موجود بهترین عملکرد را داشته اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به درستی تخمین زده شد که منجر به حمل ونقل پایدار شهری می شود.Estimating the travel modes using machine learning algorithms for sustainable urban transportation
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.
تبلیغات
