پیش بینی حالت های حمل و نقل از نقاط خط سیر با استفاده از روش های تقویت کننده و یادگیری عمیق در حمل ونقل هوشمند
امروزه با گسترش شهرنشینی نیاز به حمل ونقل هوشمند به منظور تسهیل رفت و آمد شهروندان بیش از پیش مورد توجه قرار گرفته است. شناسایی و پیش بینی استفاده از حالات حمل ونقلی یکی از اساسی ترین پیش نیازها برای راه اندازی و استفاده از خدمات حمل ونقل هوشمند به شمار می آید. با پیشرفت فناوری های مکانی، ابزار و تلفن های هوشمند، اطلاعات زیادی با استفاده از سیستمهای تعیین موقعیت ماهواره ای (GNSS) توسط بسیاری از دستگاه ها تولید می شود. در این پژوهش، چهار ویژگی نقطه ای، 56 ویژگی سفر و سه ویژگی پیشرفته استخراج شده، چهار مدل کلاسه بندی GB، XGBoost، LightGBM و CatBoost زیر مجموعه روش تقویت کننده (Boostig) پس از انتخاب ویژگی ترکیبی به همراه سه مدل کلاسه بندی CNN، LSTM و ConvLSTM زیر مجموعه روش یادگیری عمیق پیاده سازی و بررسی شده تا بتوان حالات حمل ونقلی شامل: پیاده روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار را با استفاده از مجموعه داده های GeoLife پیش بینی کنند. نتایج نشان داد مدل LightGBM با کسب دقت بالاتر (49/95درصد) و پیچیدگی زمانی کمتر، بهترین مدل نسبت به مدل های دیگر است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.