ارائه رویکردی به منظور ارزیابی الگوی مشارکت کاربران در اطلاعات مکانی داوطلبانه بزرگراه ها با استفاده از یادگیری ماشین

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 177

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JTE-16-3_006

تاریخ نمایه سازی: 29 تیر 1404

چکیده مقاله:

بزرگراه ها از پرترددترین و حیاتی ترین عوارض خطی در سیستم حمل و نقل کشور هستند که با گسترش زندگی شهری روزبه روز بر اهمیت آن ها افزوده شده است. ازاین رو دسترسی به اطلاعات به روز و کارآمد در ارتباط با این عوارض نقش به سزایی در مدیریت سیستم حمل و نقل کشورها دارد. ازجمله این اطلاعات می­توان اطلاعات مکانی داوطلبانه (Volunteer Geographic Information (VGI)) را نام برد که توسط کاربرانی ایجاد می شود که دانش تجربی یا محلی خود را از یک مکان یا موقعیت در پایگاه داده مکانی وارد می کنند. این مطالعه با ارائه رویکردی، روندهای ترسیم عوارض (نظیر بزرگراه ها و جاده ها) ایجاد شده توسط مشارکت کنندگان در پایگاه داده OpenStreetMap (OSM) را مورد بررسی قرار می ­دهد. همچنین یک بررسی آماری از الگوی مشارکتی کاربران به هنگام ترسیم شریان های ارتباطی انجام شده است و ویژگی­ های یک راه بر تعیین طبقه آن مورد ارزیابی تحلیلی قرار گرفته است. در رویکرد پیشنهادی به منظور طبقه ­بندی انواع کلاس های بزرگراه ها از الگوریتم طبقه بندی جنگل تصادفی استفاده شده است. به منظور ارزیابی رویکرد پیشنهادی از داده های خطی شهر تهران استفاده شده است. نتایج طبقه بندی با استفاده از ویژگی­ های آزیموت خطوط بزرگراه ها، طول ژئودزیک خطوط، فاصله اولین نقاط ترسیمی تا نزدیک ترین خیابان و تراکم kernel اولین نقاط به F-Score برابر ۷۱ درصد رسیده است. بررسی پارامترهای معنایی نظیر نام بزرگراه و نام کاربر نیز در این پژوهش انجام شد که نشان از عدم تاثیر آن ها بر دقت طبقه بندی دارد. پس از محاسبه اهمیت هر کدام از ویژگی­ های مورد استفاده، پارامتر طول ژئودزیک به عنوان مهم ترین عامل تاثیرگذار در رفتار کاربران مشارکت کننده در ترسیم انواع بزرگراه­ ها شناسایی گردید.

کلیدواژه ها:

اطلاعات مکانی داوطلبانه (VGI) ، پایگاه داده OSM ، بزرگراه ، الگوی مشارکت ، الگوریتم طبقه بندی جنگل تصادفی

نویسندگان

سعیده ساداتی

کارشناس ارشد، دانشکده نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، ایران

رحیم علی عباس پور

دانشیار، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، ایران

علیرضا چهرقان

دانشیار، دانشکده مهندسی معدن، دانشگاه صنعتی سهند، تبریز، ایران

عباس عابدینی

استادیار، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Afandizadeh , S., Javanshir , H., & Elyasi , R. ...
  • Bégin, D., Devillers, R., & Roche, S. (۲۰۱۳). Assessing Volunteered ...
  • Breiman, L. (۱۹۹۶). Bagging predictors. Machine learning, ۲۴, ۱۲۳-۱۴۰ ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine learning, ۴۵, ۵-۳۲ ...
  • Breiman, L. (۲۰۱۷). Classification and regression trees. Routledge ...
  • Chehreghan, A., & Abaspour, R. (۲۰۱۹). "Evaluation of the geometric ...
  • Davidovic, N., Mooney, P., & Stoimenov, L. (۲۰۱۶). An analysis ...
  • Dietterich, T. G. (۲۰۰۰). An experimental comparison of three methods ...
  • Farideh Teymourian , A. A. A., Abass Alimohammadi and Abolghasem ...
  • Forati, A. M., & Ghose, R. (۲۰۲۰). Volunteered Geographic Information ...
  • Girres, J. F., & Touya, G. (۲۰۱۰). Quality assessment of ...
  • Goodchild, M. F. (۲۰۰۷). Citizens as sensors: the world of ...
  • Guo, H., Nguyen, H., Vu, D.-A., & Bui, X.-N. (۲۰۲۱). ...
  • Guyon, I., & Elisseeff, A. (۲۰۰۳). An introduction to variable ...
  • Hacar, M. (۲۰۲۰). Analyzing the Contribution Trends of Volunteers by ...
  • Hacar, M. (۲۰۲۲). Analyzing the behaviors of OpenStreetMap volunteers in ...
  • Hacar, M., Kılıç, B., & Şahbaz, K. (۲۰۱۸). Analyzing openstreetmap ...
  • Haklay, M. (۲۰۱۰). How good is volunteered geographical information? A ...
  • Haklay, M., Basiouka, S., Antoniou, V., & Ather, A. (۲۰۱۰). ...
  • Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. ...
  • Ishwaran, H. (۲۰۱۵). The effect of splitting on random forests. ...
  • Jokar Arsanjani, J., Helbich, M., Bakillah, M., & Loos, L. ...
  • Li, J., Cheng, K., Wang, S., Morstatter, F., Trevino, R. ...
  • Liu, H., & Motoda, H. (۲۰۰۷). Computational methods of feature ...
  • Liu, H., & Yu, L. (۲۰۰۵). Toward integrating feature selection ...
  • Manandhar, P., Marpu, P. R., Aung, Z., & Melgani, F. ...
  • Mirbaha, B., SHERAFATIPOUR, S., & MAHPOUR, A. (۲۰۱۶). Congestion pricing ...
  • Mooney, P., Corcoran, P., & Winstanley, A. C. (۲۰۱۰). Towards ...
  • Nash, A. (۲۰۰۹). Web ۲.۰ applications for improving public participation ...
  • Nembrini, S., König, I. R., & Wright, M. N. (۲۰۱۸). ...
  • Nicodemus, K. K. (۲۰۱۱). On the stability and ranking of ...
  • O'reilly, T. (۲۰۰۷). What is Web ۲.۰: Design patterns and ...
  • OSMstats. Retrieved ۰۴/۱۲/۲۰۲۳ from https://wiki.openstreetmap.org/wiki/StatsPal, M. (۲۰۰۵). Random forest classifier ...
  • Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., ...
  • Rehrl, K., & Gröchenig, S. (۲۰۱۶). A framework for data-centric ...
  • Saberian, J., Malek, M., & Hamrah, M. (۲۰۱۴). Using Dual ...
  • Zhao, P., Jia, T., Qin, K., Shan, J., & Jiao, ...
  • نمایش کامل مراجع