سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

[ 77 | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]


عنوان مقاله:استنتاج حالت حمل و نقل ترکیبی از داده های GPS پراکنده با استفاده از یک طبقه بندی SVM پنجره در حال حرکت
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره):36 (6)
سال انتشار:November 2012
شماره صفحات: 526537526-537
نشانگر دیجیتالی شیء:[ 10.1016/j.compenvurbsys.2012.06.001 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Computers, Environment And Urban Systems »
  4. Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 54.210.158.163

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

خلاصه مقاله، نویسندگان و کلمات کلیدی

Inferring Hybrid Transportation Modes From Sparse GPS Data Using A Moving Window SVM Classification


مقاله: استنتاج حالت حمل و نقل ترکیبی از داده های GPS پراکنده با استفاده از یک طبقه بندی SVM پنجره در حال حرکت

نويسند‌گان:


خلاصه مقاله:


Understanding travel behaviour and travel demand is of constant importance to transportation communities and agencies in every country. Nowadays, attempts have been made to automatically infer transportation modes from positional data, such as the data collected by using GPS devices so that the cost in time and budget of conventional travel diary survey could be significantly reduced. Some limitations, however, exist in the literature, in aspects of data collection (sample size selected, duration of study, granularity of data), selection of variables (or combination of variables), and method of inference (the number of transportation modes to be used in the learning). This paper therefore, attempts to fully understand these aspects in the process of inference. We aim to solve a classification problem of GPS data into different transportation modes (car, walk, cycle, underground, train and bus). We first study the variables that could contribute positively to this classification, and statistically quantify their discriminatory power. We then introduce a novel approach to carry out this inference using a framework based on Support Vector Machines (SVMs) classification. The framework was tested using coarse-grained GPS data, which has been avoided in previous studies, achieving a promising accuracy of 88% with a Kappa statistic reflecting almost perfect agreement.


رفتار سفر درک و تقاضای سفر از اهمیت ثابت به جوامع حمل و نقل و نمایندگی های هر کشور است. امروزه، تلاش شده تا به صورت خودکار استنباط حالت حمل و نقل از داده های موضعی، مانند داده های جمع آوری شده با استفاده از دستگاه های GPS به طوری که هزینه در زمان و بودجه از بررسی خاطرات سفر معمولی می تواند به طور قابل توجهی کاهش می یابد. برخی از محدودیت، با این حال، در ادبیات وجود داشته باشد، در جنبه های جمع آوری داده ها (حجم نمونه انتخاب شده، طول مدت مطالعه، دانه دانه از داده ها)، انتخاب متغیرها (یا ترکیبی از متغیرهای) و روش استنتاج (تعداد حالت های حمل و نقل به در یادگیری استفاده می شود). این مقاله، تلاش برای درک کامل این جنبه در روند استنباط. هدف ما برای حل یک مشکل طبقه بندی داده های GPS به حالت حمل و نقل های مختلف (ماشین، پیاده روی، چرخه، زیرزمینی، قطار و اتوبوس). ما برای اولین بار متغیر است که می تواند مثبت به این طبقه بندی کمک مطالعه، و از نظر آماری قدرت تبعیض آمیز خود را اندازه گیری کنند. پس از آن ما معرفی یک روش جدید برای انجام این استنتاج با استفاده از یک چارچوب بر اساس بردار پشتیبان ماشین آلات (SVM ها) طبقه بندی. چارچوب با استفاده از داده های GPS درشت دانه، است که در مطالعات قبلی اجتناب مورد آزمایش قرار گرفت، دستیابی به دقت امیدوار کننده از 88٪ با آمار Kappa منعکس شرایط تقریبا کامل است.


كلمات كليدي:

, Agent-based+modelling , Classification , Neighbourhood form , SVM , Transportation mode , Transportation simulation , Travel behaviour , Urban simulation , Variable selection
شبیه سازی شهری؛ , عامل مبتنی بر مدل سازی؛ , Classification , Neighbourhood form , SVM , Transportation mode , Transportation simulation , Travel behaviour , شبیه سازی حمل و نقل؛ فرم محله؛ حالت حمل و نقل؛ ؛تقسیم بندی ؛ ؛ انتخاب متغیر؛ ؛ SVM؛ ؛ رفتار سفر , Variable selection


موضوعات:

Geography, Planning and Development, Environmental Science(all), Ecological Modelling



[ ]

فهرست مقالات مرتبط و مشابه

  1. Sun, Airong, Bai, Min, Tan, Yihua, Tian, Jinwen (2009) 'SVM based classification of moving objects in video', MIPPR 2009: Pattern Recognition and Computer Vision, SPIE, pp:0-0
  2. Dabiri, Sina, Heaslip, Kevin (2018) 'Inferring transportation modes from GPS trajectories using a convolutional neural network', Transportation Research Part C: Emerging Technologies, Elsevier BV, pp:360-371
  3. Kong, Yinghui, Wang, Lei (2010) 'Moving Target Classification in Video Sequences Based on Features Combination and SVM', 2010 International Conference on Computational Intelligence and Software Engineering, IEEE, pp:0-0
  4. Li, Zhanchuang, Jiang, Jianmin, Xiao, Guoqiang (2009) 'SVM-Based Classification of Moving Objects', Communications in Computer and Information Science, Springer Berlin Heidelberg, pp:37-45
  5. , (2014) 'A Hybrid Sampling SVM Approach to Imbalanced Data Classification', Abstract and Applied Analysis, Hindawi Publishing Corporation, pp:1-7
  6. Joshi, Aniruddha J., Chandran, Sharat, Jayaraman, V. K., Kulkarni, B. D. (2009) 'Hybrid SVM for Multiclass Arrhythmia Classification', 2009 IEEE International Conference on Bioinformatics and Biomedicine, Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  7. , (2015) 'Classification of Multispectral Satellite Images using Sparse SVM Classifier', Indian Journal of Science and Technology, Indian Society for Education and Environment, pp:0-0
  8. Ozdemir, Erdem, Topcu, Ahmet E., Ozdemir, Mehmet Kemal (2016) 'A hybrid HMM model for travel path inference with sparse GPS samples', Transportation, Springer Nature, pp:0-0
  9. Rao, T. Ch. Malleswara , Sankar, G. Jai , Kumar, T. Roopesh (2011) 'A Hierarchical Hybrid SVM Method for Classification of Remotely Sensed Data', Journal of the Indian Society of Remote Sensing, Springer Science + Business Media, pp:191-200
  10. , (2013) 'Adaptive Boosting with SVM Classifier for Moving Vehicle Classification', Procedia Engineering, Elsevier BV, pp:411-419

 

فهرست مراجع و منابع


  • [Anderson et al., 2009]. Anderson, T., Abeywardana, V., Wolf, G., & Lee, M. (2009). National travel survey GPS feasibility study: Final report. Department of Transport, UK, Version 4.0, December 2009.
  • [Bolbol and Cheng, 2010a]. Bolbol, A., & Cheng, T. (2010). GPS data collection setting for pedestrian activity modelling. In GISRUK 2010: Proceedings of Geographical Information Science Research UK Conference 2010. UCL, London.
  • [Bolbol et al., 2010b]. Bolbol, A., Cheng, T., & Paracha, A. (2010). GeoTravelDiary: Towards online automatic travel behaviour detection. In WebMGS: 1st International Workshop on Pervasive Web Mapping, Geoprocessing and Services. Politecnico di Milano, Como, Italy.
  • [Bolbol et al., 2012]. Bolbol, A., Cheng, T., Tsapakis, I., & Chow, A. (2012). Sample size calculation for studying transportation modes from GPS data. In Proceedings of Transport Research Arena. Athens, Greece, April 23–26.
  • [Bricka and Bhat, 2006]. Bricka, S., & Bhat, C. (2006). Comparative analysis of global positioning system-based and travel survey-based data (pp. 9–20). Transportation Research, Record No. 1972.
  • [Cambridge Systematics, 1996]. Cambridge systematics (1996). Scan of recent travel surveys. US DOT Report DOT-T-97-08, June.
  • [Carletta, 1996]. J. Carletta 'Assessing agreement on classification tasks: The kappa statistic' Computational Linguistics, 22 (2) (1996), pp. 249–254
  • [Chung and Shalaby, 2005]. E. Chung, A. Shalaby 'A trip reconstruction tool for GPS-based personal travel surveys' Transportation Planning and Technology, 28 (5) (2005), pp. 381–401
  • [Crammer and Singer, 2000]. K. Crammer, Y. Singer 'On the learnability and design of output codes for multiclass problems' Computational Learning Theory (2000), pp. 35–46
  • [Edwards et al., 2009]. Edwards, D., Griffin, T., Hayllar, B., Dickson, B., Schweinsberg, S. (2009). Visitors to urban destinations: understanding tourist ‘experiences’ and ‘behaviour’ in cities, an Australian case study. Technical Report. Gold Coast, CRC for Sustainable Tourism Pty Ltd.
  • [Everitt and Dunn, 1991]. B.S. Everitt, G. Dunn 'Applied multivariate data analysis' Edward Arnold, London, England (1991)
  • [Klecka, 1980]. W.R. Klecka 'Discriminant analysis' Beverly Hills, CA, Sage (1980)
  • [Landis and Koch, 1980]. J.R. Landis, G.G. Koch Xu. Biometrics, 33 (1980), pp. 159–174
  • [Liao et al., 2007]. L. Liao, D. Fox, H. Kautz 'Extracting places and activities from GPS traces using hierarchical conditional random fields' The International Journal of Robotics Research, 26 (1) (2007), p. 119
  • [Manzoni et al., 2011]. Manzoni, V., Maniloff, D., Kloeckl, K., & Ratti, C. (2011). Transportation mode identification and real-time co2 emission estimation using smartphones, SENSEable City Lab. Massachusetts Institute of Technology, Cambridge, Massachusetts, USA, Technical Report.
  • [Mitchell, 1997]. T. Mitchell 'Machine learning' McGraw-Hill (1997)
  • [Ortúzar and Willumsen, 2011]. J.D. Ortúzar, L.G. Willumsen 'Modelling transport' (4th ed.)John Wiley & Sons Inc., London, England (2011)
  • [Reddy et al., 2010]. S. Reddy, M. Mun, J. Burke, D. Estrin, M. Hansen, M. Srivastava 'Using mobile phones to determine transportation modes' Transactions on Sensor Networks, 6 (2) (2010)
  • [Schüssler and Axhausen, 2009]. N. Schüssler, K.W. Axhausen 'Processing GPS raw data without additional information' Transportation Research Record: Journal of the Transportation Research Board, 2105/2009 (January) (2009), pp. 28–36
  • [Smith, 1979]. M.E. Smith 'Design of small sample home interview travel surveys' In Transportation Research Record: Journal of the Transport Research Board, 1972 (1979), pp. 29–35
  • [Steinwart and Christmann, 2008]. I. Steinwart, A. Christmann 'Support vector machines' , 978-0-387-77241-7Springer-Verlag, New York (2008)
  • [Stenneth et al., 2011]. Stenneth, L., Wolfson, O., Yu, P. S., & Xu, B. (2011). Transportation mode detection using mobile phones and GIS information. ACM SIGSPATIAL GIS ‘11, November 1–4, 2011. Chicago, IL, USA.
  • [Stopher, 2008]. Stopher, P. R. (2008). Collecting and processing data from mobile technologies. In The 8th international conference on survey methods in transport, Annecy, France.
  • [Stopher et al., 2008a]. Stopher, P., Clifford, E, Zhang, J., & FitzGerald, C. (2008a). Deducing mode and purpose from GPS data. In The 87th annual meeting of the transportation research board, Washington, DC, United States.
  • [Stopher et al., 2008b]. Stopher, P., Kockelman, K., Greaves, S., & Clifford, E. (2008b). Sample size requirements for multi-day travel surveys: Some findings. In The 8th international conference on travel survey methods, Annecy, France.
  • [TFL, 2011]. TFL (2011). Network operating strategy NOS issue 5 public consultation. Transport For London, May.
  • [Thompson et al., 1997]. D.C. Thompson, V. Rebolledo, R.S. Thomson 'Bike speed measurement in a recreational population: Validity of self-reported speed' Injury Prevention, 3 (1997), pp. 43–45
  • [Tsapakis et al., 2012]. Tsapakis, I., Turner, J., Cheng, T., Heydecker, B. Emmonds, A., & Bolbol, A. (in press). Effects of tube strikes on journey times in the transport network of London. Transportation Research Record, TRB, National Research Council, Washington, DC.
  • [Vapnik, 1998]. V. Vapnik 'Statistical learning theory' Wiley, New York (1998)
  • [Wang et al., 2010]. Wang, H., Calabrese, F., Di Lorenzo, G., & Ratti, C. (2010). Transportation mode inference from anonymized and aggregated mobile phone call detail records. In Proceedings of the 13th international IEEE conference on intelligent transportation systems, Washington, DC, USA, 2010. IEEE Computer Society.
  • [Weidmann, 1993]. Weidmann, U. (1993). Transporttechnik der Fussgaenger. ETH Zuerich, Schriftenreihe IVT-Berichte 90, Zuerich (In German).
  • [Xu, 2010]. Xu, Y. (2010). Effective GPS-based panel survey sample size for urban travel behaviour studies. Thesis (PhD). Georgia Institute of Technology: School of Civil and Environmental Engineering.
  • [Zheng et al., 2010]. Y. Zheng, Y. Chen, Q. Li, X. Xie, W. Ma 'Understanding transportation modes based on GPS data for Web applications' ACM Transaction on the Web, 4 (1) (2010), pp. 1–36
  • [Zheng et al., 2008]. Zheng, Y., Liu, L., Wang, L., & Xie, X. (2008). Learning transportation mode from raw GPS data for geographic applications on the Web. In Proceedings of WWW 2008 (pp. 247–256). ACM Press.


 

برگشت به بالا
× 🎁 تخفیف ویژه تابستان ☀️
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×