پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,693 |
| تعداد مقالات | 72,243 |
| تعداد مشاهده مقاله | 129,252,713 |
| تعداد دریافت فایل اصل مقاله | 102,092,314 |
تخمین حالت‌های سفر به کمک الگوریتم های یادگیری ماشین به منظور حمل‌ونقل پایدار شهری | ||
| مجله علمی " آمایش سرزمین " | ||
| دوره 16، شماره 2، مهر 1403، صفحه 239-254 اصل مقاله (1017.71 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jtcp.2024.370374.670427 | ||
| نویسندگان | ||
| امید شامحمدی1؛ پرهام پهلوانی* 1؛ محمدعلی شریفی2 | ||
| 1گروه GIS، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران | ||
| 2گروه ژئودزی، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| بخش زیادی از سفرهای روزانة درون‌شهری با هدف دسترسی به خدمات، سرویس‌ها، و کالاهایی است که امکان تهیة آن‌ها در یک منطقة 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 دادة مایکروسافت Geolife و MTL 2017، که از ویژگی‌های لازم برای این هدف برخوردارند، به عنوان دادة 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 دادة اول با کسب مقدار 57/92 درصد در F1-Score برای داده‌های تست و مدل XGB برای مجموعه دادة 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. | ||
| کلیدواژه‌ها | ||
| استخراج ویژگی؛ الگوریتم‌های کلاسه‌بندی نظارت‌شده؛ جریان داده‌های GNSS؛ حالت‌های سفر؛ حمل‌ونقل پایدار شهری | ||
| عنوان مقاله [English] | ||
| Estimating the travel modes using machine learning algorithms for sustainable urban transportation | ||
| نویسندگان [English] | ||
| Omid Shamohammadi1؛ Parham Pahlavani1؛ Mohammad Ali Sharifi2 | ||
| 1Department of GIS, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| 2Department of Geodesy, School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Sustainable urban transportation, Travel modes, Streaming GNSS, Feature extraction, Supervised classification algorithms | ||
| مراجع | ||
|
Al Momin, K., Barua, S., Hamim, O. F., & Roy, S. (2022). Modeling The Behavior In Choosing The Travel Mode For Long-Distance Travel Using Supervised Machine Learning Algorithms. Komunikácie, 24(4 :A187-A197).
Bantis T. & Haworth, J. (2017). Who you are is how you travel: A framework for transportation mode detection using individual and environmental characteristics. Transportation Research Part C: Emerging Technologies, Vol. 80, 286-309.
Bohte, W. & Maat, K. (2009). Deriving and validating trip purposes and travel modes for multi-day GPS-based travel surveys: A large-scale application in the Netherlands. Transportation Research Part C: Emerging Technologies, Vol. 17, No. 3, 285-297.
Bolbol, A., Cheng, T., Tsapakis, I., & Haworth, J. (2012). Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification. Computers, Environment and Urban Systems, Vol. 36, No. 6, 526-537.
Byon, Y.-J. & Liang, S. (2014). Real-time transportation mode detection using smartphones and artificial neural networks: Performance comparisons between smartphones and conventional global positioning system sensors. Journal of Intelligent Transportation Systems, Vol. 18, No. 3, 264-272.
Chen, T. & Guestrin, C. (2016). "Xgboost: A scalable tree boosting system" in Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 785-794.
Dabiri, S. & Heaslip, K. (2018). Inferring transportation modes from GPS trajectories using a convolutional neural network. Transportation research part C: emerging technologies, Vol. 86, 360-371.
Dabiri, S., Lu, C.-T., Heaslip, K., & Reddy, C. K. (2019). Semi-supervised deep learning approach for transportation mode identification using GPS trajectory data. IEEE Transactions on Knowledge and Data Engineering, Vol. 32, No. 5, 1010-1023.
Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
Friedrich, B., Lübbe, C., & Hein, A. (2020). Analyzing the importance of sensors for mode of transportation classification. Sensors, Vol. 21, No. 1, 176.
Geolife Dataset. https://www.microsoft.com/en-us/research/publication/geolife-gps-trajectory-dataset-user-guide (accessed).
Gong, H., Chen, C., Bialostozky, E., & Lawson, C. T. (2012). A GPS/GIS method for travel mode detection in New York City. Computers, Environment and Urban Systems, Vol. 36, No. 2, 131-139.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques Third Edition [M]. The Morgan Kaufmann Series in Data Management Systems, Vol. 5, No. 4, 364-371.
Hasan, R. A., Irshaid, H., Alhomaidat, F., Lee, S., & Oh, J.-S. (2022). Transportation mode detection by using smartphones and smartwatches with machine learning. KSCE Journal of Civil Engineering, 26(8), 3578-3589.
Huang, Z., Wang, P., & Liu, Y. (2020). Statistical characteristics and transportation mode identification of individual trajectories. International Journal of Modern Physics B, Vol. 34, No. 10, 2050092.
Jahangiri, A. & Rakha, H. A. (2015). Applying machine learning techniques to transportation mode recognition using mobile phone sensor data. IEEE transactions on intelligent transportation systems, Vol. 16, No. 5, 2406-2417.
Kashifi, M. T., Jamal, A., Kashefi, M. S., Almoshaogeh, M., & Rahman, S. M. (2022). Predicting the travel mode choice with interpretable machine learning techniques: A comparative study. Travel Behaviour and Society, 29, 279-296.
Li, J., Pei, X., Wang, X., Yao, D., Zhang, Y., & Yue, Y. (2021). Transportation mode identification with GPS trajectory data and GIS information. Tsinghua Science and Technology, Vol. 26, No. 4, 403-416.
Li, L., Zhu, J., Zhang, H., Tan, H., Du, B., & Ran, B. (2020). Coupled application of generative adversarial networks and conventional neural networks for travel mode detection using GPS data. Transportation Research Part A: Policy and Practice, Vol. 136, 282-292.
Martín-Baos, J. Á., López-Gómez, J. A., Rodriguez-Benitez, L., Hillel, T., & García-Ródenas, R. (2023). A prediction and behavioural analysis of machine learning methods for modelling travel mode choice. arXiv preprint arXiv: 2301.04404.
Nawaz, A. et al. (2020). Mode Inference using enhanced Segmentation and Pre-processing on raw Global Positioning System data. Measurement and Control, Vol. 53, No. 7-8, 1144-1158.
Nawaz, A., Zhiqiu, H., Senzhang, W., Hussain, Y., Khan, I., & Khan, Z. (2020). Convolutional LSTM based transportation mode learning from raw GPS trajectories. IET Intelligent Transport Systems, Vol. 14, No. 6, 570-577.
Noble, W. S. (2006). What is a support vector machine?. Nature biotechnology, Vol. 24, No. 12, 1565-1567.
Sasaki, Y. (2007). The truth of the F-measure. Teach tutor mater, Vol. 1, No. 5, 1-5.
Sauerländer-Biebl, A., Brockfeld, E., Suske, D., & Melde, E. (2017). Evaluation of a transport mode detection using fuzzy rules. Transportation research procedia, Vol. 25, 591-602.
Schlebusch, C. M. & Jakobsson, M. (2018).Tales of human migration, admixture, and selection in Africa. Annual Review of Genomics and Human Genetics, Vol. 19, 405-428.
Song, X., Kanasugi, H., & Shibasaki, R. (2016). "Deeptransport: Prediction and simulation of human mobility and transportation mode at a citywide level" in Proceedings of the Twenty-Fifth International Joint Conference on Artificial Intelligence, 2618-2624.
Sun, Y., Dong, Y. D., Waygood, E. O., Naseri, H., Jiang, Y., & Chen, Y. (2023). Machine-learning approaches to identify travel modes using smartphone-assisted survey and map application programming interface. Transportation Research Record, 2677(2), 385-400.
Vapnik, V. N. (1995). The nature of statistical learning. Theory.
Wang, B., Wang, Y., Qin, K., & Xia, Q. (2018). "Detecting transportation modes based on LightGBM classifier from GPS trajectory data" in 2018 26th International Conference on Geoinformatics, IEEE, 1-7.
Xiao, Z., Wang, Y., Fu, K., & Wu, F. (2017). Identifying different transportation modes from trajectory data using tree-based ensemble classifiers. ISPRS International Journal of Geo-Information, Vol. 6, No. 2, 57.
Yazdizadeh, A., Patterson, Z., & Farooq, B. (2019). An automated approach from GPS traces to complete trip information. International Journal of Transportation Science and Technology, Vol. 8, No. 1, 82-100. | ||
|
آمار تعداد مشاهده مقاله: 267 تعداد دریافت فایل اصل مقاله: 453 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب