فهرست نشریات علمی دسترسی آزاد ایران

: امروزه با گسترش شهرنشینی نیاز به حمل‌ونقل هوشمند به منظور تسهیل رفت و آمد شهروندان بیش از پیش مورد توجه قرار گرفته است. شناسایی و پیش‌بینی استفاده از حالات حمل‌ونقلی یکی از اساسی‌ترین پیش‌نیازها برای راه‌اندازی و استفاده از خدمات حمل‌ونقل هوشمند به شمار می‌آید. با پیشرفت فناوری‌های مکانی، ابزار و تلفن‌های هوشمند، اطلاعات زیادی با استفاده از سیستمهای تعیین موقعیت ماهواره ای (GNSS) توسط بسیاری از دستگاه‌ها تولید می‌شود. در این پژوهش، چهار ویژگی نقطه‌ای، 56 ویژگی سفر و سه ویژگی پیشرفته استخراج شده، چهار مدل کلاسه‌بندی GB، XGBoost، LightGBM و CatBoost زیر مجموعه روش تقویت‌کننده (Boostig) پس از انتخاب ویژگی ترکیبی به همراه سه مدل کلاسه‌بندی CNN، LSTM و ConvLSTM زیر مجموعه روش یادگیری عمیق پیاده‌سازی و بررسی شده تا بتوان حالات حمل‌ونقلی شامل: پیاده‌روی، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبیل و استفاده از قطار را با استفاده از مجموعه داده‌های GeoLife پیش‌بینی کنند. نتایج نشان داد مدل LightGBM با کسب دقت بالاتر (49/95درصد) و پیچیدگی زمانی کمتر، بهترین مدل نسبت به مدل‌های دیگر است.