بررسی روشهای متوازنسازی دادهها در تشخیص ناهنجارشناسی در دادههای مکانی – زمانی به کمک مدلهای یادگیری گروهی
- سال انتشار: 1403
- محل انتشار: نهمین همایش ملی مطالعات و تحقیقات نوین در حوزه علوم کامپیوتر، برق و مکانیک ایران
- کد COI اختصاصی: ICCONF09_058
- زبان مقاله: فارسی
- تعداد مشاهده: 238
نویسندگان
دانشجوی کارشناسی ارشد نرمافزار دانشگاه علم و صنعت ایران
استادیار، دانشگاه علم و صنعت ایران
فارغ التحصیل کارشناسی ارشد مدیریت اجرایی دانشگاه شهید بهشتی
دانشجوی کارشناسی ارشد نرمافزار دانشگاه علم و صنعت ایران
دانشجوی کارشناسی ارشد نرمافزار دانشگاه علم و صنعت ایران
چکیده
امروزه با پیشرفت سریع روشهای موقعیت یابی ، دادههای مکانی -زمانی به طور گستردهای در دسترس قرار گرفته اند. از این رو، استخراج دانش ارزشمند از این دادهها برای بسیاری از برنامه های کاربردی در دنیای واقعی حائز اهمیت است . از جمله دادههای مکانی -زمانی می توان به رویداد، خط سیر، نقاط مرجع ، دادههای شطرنجی و ویدئو اشاره کرد. با توجه به انواع این دادهها، قالب دادهها می تواند به صورت نقطه ، دنباله ، گراف، ماتریس دو بعدی یا تنسور سه بعدی باشد. یکی از کاربردهای ناهنجارشناسی در دادههای مکانی -زمانی تحلیل رفتار رانندگان است . به طور کلی تشخیص ناهنجاری در دادههای مکانی -زمانی و تحلیل آنها می تواند باعث کشف دانش ارزشمند دربارهی افراد، گروهها و وقایع مختلف شود. از طرفی تعداد، حجم و دقت دادههای مکانی -زمانی به سرعت در حال افزایش است . به همین علت این ناهنجارشناسی در زمینه های مختلف حائز اهمیت است . در این مقاله ، قصد داریم با استفاده از مجموعه دادهی تاکسی های سبز نیویورک سال ۲۰۲۲ و با کمک مدلهای یادگیری گروهی به شناسایی روشی مناسب تر در شناخت ناهنجاری در دادههای مکانی -زمانی بپردازیم . به منظور ارزیابی روش پیشنهادی از معیارهای ارزیابی رایج و ماتریس سردرگمی استفاده شده است . مدل پیشنهادی ما توانسته است به حدود ۲۰ درصد بهبود در معیار یادآوری نسبت به حالت پایه دست پیدا کند.کلیدواژه ها
دادههای مکانی -زمانی ، تشخیص ناهنجاری، تحلیل رفتار راننده، متوازنسازی داده، یادگیری گروهیمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.