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 شهر هوشمند، پیش بینی و شناسایی استفاده از حالات حمل و نقلی بخش اولیه و اساسی در حمل و نقل هوشمند نظیر مسایل 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 18/95 درصد و پیچیدگی زمانی بهتر با توجه به سایر مدل ها، حالات حمل و نقلی را با دقت بالاتری پیش بینی کند.