استخراج ویژگی از خطوط سیر به منظور شناسایی حالت حمل و نقل در شهر هوشمند با استفاده از یادگیری ماشین

با پیشرفت فناوری­ و اهمیت حمل و نقل هوشمند در شهر­هوشمند، پیش ­بینی و شناسایی استفاده از حالات حمل و نقلی بخش اولیه و اساسی در حمل­ و نقل هوشمند نظیر مسائل کاربردی کنترل ترافیک، تجزیه و تحلیل تقاضای سفر و برنامه ­ریزی حمل ­و نقل به شمار می­ آید. با فراگیر شدن دستگاه ­های تعیین موقعیت و همچنین استفاده از تلفن­ های هوشمند، مسیرهای موقعیتی ثبت شده یک رویکرد اقتصادی و سریع به منظور شناسایی حالات حمل ­و نقل به حساب می ­آید. در این پژوهش با استفاده از داده­ های موقعیتی ثبت شده توسط مرکز تحقیقاتی مایکروسافت آسیا (GeoLife) که بیشتر در شهر پکن انجام پذیرفته و استخراج ویژگی­ های حرکتی به پیش ­بینی حالات حمل ­و نقلی پیاده ­روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار پرداخته می ­شود. رویکرد پیشنهادی استفاده از کلاسه ­بندی­ های یادگیری ماشین، شامل: کلاسه ­بندی ماشین بردار پشتیبان، جنگل تصادفی، تقویت گرادیان و تقویت بیش ­از حد گرادیان می ­باشد. در بین مدل ­ها، مدل تقویت بیش ­از حد گرادیان توانسته با کسب دقت ۱۸/۹۵ درصد و پیچیدگی زمانی بهتر با توجه به سایر مدل­ ها، حالات حمل­ و نقلی را با دقت بالاتری پیش ­بینی کند.

کلیدواژه ها:

پیش بینی حالات حمل و نقل ، حمل و نقل هوشمند ، مجموعه داده Geolife ، یادگیری ماشین