سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

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


عنوان مقاله:تشخیص حالت سفر بر روی داده های مسیر GPS و شبکه های بیزی بر اساس
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:November 2015
شماره صفحات: 142214-22
نشانگر دیجیتالی شیء:[ 10.1016/j.compenvurbsys.2015.05.005 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Computers, Environment And Urban Systems »
  4. Travel mode detection based on GPS track data and Bayesian networks

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: 54.162.151.77

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

Travel Mode Detection Based On GPS Track Data And Bayesian Networks


مقاله: تشخیص حالت سفر بر روی داده های مسیر GPS و شبکه های بیزی بر اساس

نويسند‌گان:


خلاصه مقاله:


Over the past couple of decades, there has been an exponential increase in the collection of large-scale GPS data from household/personal travel surveys all over the world. A range of algorithms, which vary from specific rules to advanced machine learning methods, have been applied to extract travel modes from raw GPS data collected by smartphone-based travel surveys. However, most of the methods applied neither describe the interaction between features influencing the travel mode decision nor effectively deal with the ambiguity inherently incorporated in these features. This paper identifies travel modes with a Bayesian network, whose structure is established based on a K2 algorithm and corresponding conditional probability tables are estimated with maximum likelihood methods. Five representative travel modes – walk, bike, e-bike, bus and car – are distinguished using the resulting Bayesian network. Additionally, the low speed rate and the average heading change are introduced to reduce uncertainties between bike and e-bike segments and between bus and car segments. The derived travel modes are then compared with those retrieved in the prompted recall survey by telephones. Consequently, more than 86% of segments have the travel mode correctly identified for each travel mode, with over 97% of walk segments being properly flagged. Results from the study demonstrate that GPS travel surveys provide an opportunity to supplement traditional travel surveys.


در طول دو دهه گذشته، شده است افزایش نمایی در مجموعه ای از داده GPS در مقیاس بزرگ از خانواده / بررسی های سفر شخصی در سراسر جهان وجود دارد. طیف وسیعی از الگوریتم های، که از قوانین خاص به روشهای یادگیری دستگاه های پیشرفته متفاوت است، به استخراج حالت سفر از داده های GPS خام جمع آوری شده توسط بررسی های سفر مبتنی بر گوشی های هوشمند استفاده شده است. با این حال، بسیاری از روش های بکار برده نه تعامل بین ویژگی های موثر بر تصمیم گیری حالت سفر و نه به طور موثر با ابهام ذاتا در این ویژگی ها گنجانیده مقابله توصیف می کنند. در این مقاله حالت سفر با شبکه های بیزی، که ساختار ایجاد شده است بر اساس یک الگوریتم K2 و مطابق با جدول احتمال مشروط با روش حداکثر احتمال برآورد شناسایی می کند. پنج حالت سفر نماینده - پیاده روی، دوچرخه سواری، E-اتوبوس، دوچرخه و خودرو - با استفاده از شبکه های بیزی در نتیجه مشخص شده است. علاوه بر این، سرعت پایین و متوسط ​​تغییر عنوان معرفی می شوند برای کاهش عدم قطعیت بین دوچرخه و دوچرخه الکترونیکی بخش و بین بخش های اتوبوس و ماشین. حالت های سفر مشتق شده هستند و سپس با کسانی که در این نظرسنجی فراخوان موجب شده توسط تلفن های بازیابی مقایسه شده است. در نتیجه، بیش از 86 درصد از بخش های دارای حالت سفر به درستی برای هر حالت سفر شناسایی، با بیش از 97٪ از بخش های پیاده روی به درستی پرچم. نتایج از مطالعه نشان می دهد که بررسی های سفر GPS یک فرصت برای تکمیل بررسی های سفر سنتی فراهم می کند.


كلمات كليدي:

Bayesian network , Parameter learning , Structure learning , Travel mode, Bayesian network, GPS track data, Parameter learning, Structure learning, Travel mode
Bayesian network , Parameter learning , Structure learning , Travel mode , شبکه های بیزی, اطلاعات مسیر GPS, آموزش پارامتر, آموزش ساختار, حالت سفر


موضوعات:

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



[ ]

فهرست مقالات مرتبط و مشابه

  1. Chen, Ruijing (2014) 'Simulation Modeling and Application of Travel Mode Choice Based on Bayesian Network', The Open Mechanical Engineering Journal, Bentham Science Publishers Ltd., pp:19-25
  2. Chen, Ruijing (2016) 'Retraction Notice: Simulation Modeling and Application of Travel Mode Choice Based on Bayesian Network', The Open Mechanical Engineering Journal, Bentham Science Publishers Ltd., pp:95-95
  3. Chen, Ruijing (2016) 'Retraction Notice: Simulation Modeling and Application of Travel Mode Choice Based on Bayesian Network', The Open Mechanical Engineering Journal, Bentham Science Publishers Ltd., pp:95-95
  4. Tang, Dou Nan, Yang, Min, Zhang, Mei Hui (2012) 'Travel Mode Choice Modeling: A Comparison of Bayesian Networks and Neural Networks', AMM, Trans Tech Publications, pp:717-723
  5. Xiao, Guangnian, Juan, Zhicai, Gao, Jingxin (2015) 'Travel Mode Detection Based on Neural Networks and Particle Swarm Optimization', Information, MDPI AG, pp:522-535
  6. Deng, Lingli, He, Zhaocheng, Zhong, Renxin (2013) 'The Bus Travel Time Prediction Based on Bayesian Networks', 2013 International Conference on Information Technology and Applications, IEEE, pp:0-0
  7. Zong, Fang, Yuan, Yixin, Liu, Jianfeng, Bai, Yu, He, Yanan (2016) 'Identifying travel mode with GPS data', Transportation Planning and Technology, Informa UK Limited, pp:242-255
  8. Willems, D., Vuurpijl, L. (2007) 'A Bayesian Network Approach to Mode Detection for Interactive Maps', Ninth International Conference on Document Analysis and Recognition (ICDAR 2007) Vol 2, Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  9. Shabani, Neda, Jahan, Majid Vafaei (2014) 'Metamorphic virus detection based on Bayesian network', 2014 International Congress on Technology, Communication and Knowledge (ICTCK), Institute of Electrical and Electronics Engineers (IEEE), pp:0-0
  10. Zhou, Chaoran, Jia, Hongfei, Gao, Jingxin, Yang, Lili, Feng, Yixiong, Tian, Guangdong (2017) 'Travel mode detection method based on big smartphone global positioning system tracking data', Advances in Mechanical Engineering, SAGE Publications, pp:-

 

فهرست مراجع و منابع




 

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