تخمین حالت های سفر به کمک الگوریتم‌های یادگیری ماشین به منظور حمل و نقل پایدار شهری

شامحمدی, امید; پهلوانی, پرهام; شریفی, محمدعلی

doi:10.22059/jtcp.2024.370374.670427

تخمین حالت های سفر به کمک الگوریتم‌های یادگیری ماشین به منظور حمل و نقل پایدار شهری

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی،دانشکدگان فنی دانشگاه تهران،تهران

² گروه GIS، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

³ گروه ژئودزی، دانشکدة مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران،

10.22059/jtcp.2024.370374.670427

چکیده

بخش زیادی از سفرهای روزانه درون شهری با هدف دسترسی به خدمات، سرویس‌ها و کالاهایی است که امکان تهیه آن‌ها در یک منطقه مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد وعلت حجم بالای ترافیک در آن‌ها می‌تواند به توزیع صحیح‌تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین‌ها با هدف کاهش تعداد، مسافت و زمان سفرهای درون شهری منجر شود. باظهور سنسورهای تعیین موقعیت مبتنی بر سامانه‌های جهانی ناوبری ماهواره‌ای بر روی تلفن‌های همراه، امکان ثبت آنی مواردی چون موقعیت، سرعت و شتاب افراد به صورت آنی فراهم شده است. بنابراین، در این پژوهش تلاش شده است تا امکان استفاده از داده‌های GNSS ثبت شده توسط تلفن همراه، با هدف شناسایی حالت حمل ونقلی که کاربر از آن استفاده نموده است، توسط چهار مدل یادگیری ماشین نظارت شده با نام‌های RF ، GB ، XGB و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه داده مایکروسافت Geolife و MTL 2017 که از ویژگی‌های لازم برای این هدف برخوردار هستند، به عنوان داده ورودی استفاده شده‌است. پس از استخراج ویژگی‌های هر مسیر از این دو مجموعه داده، با هدف بهبود کارائی مدل‌ها و کاهش حجم پردازش، از میان ویژگی‌های موجود، ویژگی‌های مهم‌تر شناسایی و کلاسه‌بندی بر اساس آن‌ها اعمال شده است. در بین مدلهای استفاده شده، مدل LightGM برای مجموعه داداه‌ی اول با کسب مقدار 57/92 درصد در F1-Score برای داده‌های تست و مدل XGB برای مجموعه داده‌ی دوم با کسب مقدار 67/ 92 در F1-Score برای داده‌های تست در در در بین مدل‌های موجود بهترین عملکرد را داشته‌اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به درستی تخمین زده شده‌است که منجر به حمل و نقل پایدار شهری می-گردد.

کلیدواژه‌ها