ترکیب الگوریتم DPSP و یادگیری ماشین و هوش مصنوعی برای پیشبینی مقصد وسایل نقلیه با استفاده از مجموعه داده T-Drive

با رشد فزاینده فناوریهای موقعیت یابی و کلان داده های مکانی، پیش بینی مقصد وسایل نقلیه به یکی از مسائل کلیدی در حوزه سیستم های حمل و نقل هوشمند تبدیل شده است. در این مقاله رویکردی ترکیبی مبتنی بر الگوریتم های DPSP برای پیش بینی دنباله مقصد و CPT درخت فشرده پیش بینی به همراه روش های یادگیری ماشین و هوش مصنوعی برای پیش بینی مقصد وسایل نقلیه ارائه می شود. الگوریتم DPSP با تحلیل دنباله های مکانی زمانی، مسیرهای مشابه را شناسایی و مقصد احتمالی را پیشنهاد می دهد در حالی که CPT با استفاده از ساختار درختی فشرده پیش بینی را با بهره گیری از الگوهای تکراری در داده ها انجام می دهد. برای آموزش و ارزیابی مدل ها، از مجموعه داده T-Drive استفاده شده است که شامل مسیرهای واقعی ۱۰,۳۵۷ تاکسی در شهر پکن می باشد. نتایج آزمایش ها نشان می دهند که ترکیب الگوریتم های DPSP و CPT با مدل های یادگیری ماشین، به طور قابل توجهی دقت پیش بینی مقصد را نسبت به روش های منفرد افزایش می دهد. این رویکرد می تواند به عنوان چارچوبی موثر در سامانه های ناوبری هوشمند، سیستم های پیشنهاددهنده مسیر و مدیریت هوشمند ناوگان مورد استفاده قرار گیرد.

کلیدواژه ها:

پیش بینی ، مقصد ، CPT ، DPSP ، یادگیری ماشین ، سیستم حمل و نقل هوشمند