فهرست نشریات علمی دسترسی آزاد ایران

بخش زیادی از سفرهای روزانة درون‌شهری با هدف دسترسی به خدمات، سرویس‌ها، و کالاهایی است که امکان تهیة آن‌ها در یک منطقة مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد و علت حجم بالای ترافیک در آن‌ها می‌تواند به توزیع صحیح‌تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین‌ها با هدف کاهش تعداد و مسافت و زمان سفرهای درون‌شهری منجر شود. با ظهور سنسورهای تعیین موقعیت مبتنی بر سامانه‌های جهانی ناوبری ماهواره‌ای بر تلفن‌های همراه، امکان ثبت آنی مواردی چون موقعیت و سرعت و شتاب افراد به صورت آنی فراهم شده است. بنابراین، در این پژوهش تلاش شده امکان استفاده از داده‌های GNSS ثبت‌شده توسط تلفن همراه با هدف شناسایی حالت حمل‌ونقلی که کاربر از آن استفاده کرده است توسط چهار مدل یادگیری ماشین نظارت‌شده با نام‌های RF، GB، XGB، و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه دادة مایکروسافت Geolife و MTL 2017، که از ویژگی‌های لازم برای این هدف برخوردارند، به عنوان دادة ورودی استفاده شد. پس از استخراج ویژگی‌های هر مسیر از این دو مجموعه داده، با هدف بهبود کارایی مدل‌ها و کاهش حجم پردازش، از میان ویژگی‌های موجود ویژگی‌های مهم‌تر شناسایی و کلاسه‌بندی بر اساس آن‌ها اعمال شد. بین مدل‌های استفاده‌شده، مدل LightGM برای مجموعه دادة اول با کسب مقدار 57/92 درصد در F1-Score برای داده‌های تست و مدل XGB برای مجموعه دادة دوم با کسب مقدار 67/92 در F1-Score برای داده‌های تست بین مدل‌های موجود بهترین عملکرد را داشته‌اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به‌درستی تخمین زده شد که منجر به حمل‌ونقل پایدار شهری می‌شود.