تعيين گونه سفر مبتني بر پويشگر شبكه واي - فاي با استفاده از شبكه فازي - عصبي تطبيقي

Travel Mode Detection based on Wi-Fi Signal Probe Using ANFIS

آگاهي از گونه سفر و الگوي حركت شهروندان همواره مورد توجه مديران شهري در حوزه مديريت حمل و نقل و ترافيكبوده است. بهنگام نبودن و هزينه اجرايي روش هاي سنتي جمع آوري اطلاعات مانند استفاده از پرسشنامه و ظهور فنآوري هاي جديد موجب شده است تا از ابزارهاي ارتباطي همچون تلفن همراه جهت جمع آوري و تحليل داده هاي ترافيكي استفاده شود. در اين ميان قابليت هاي شبكه هاي واي-فاي تلفن همراه همچون عموميت، قابليت دسترسي بالا و هزينه پايين، مورد توجه سامانه هاي حمل و نقل هوشمند بوده است.در اين پژوهش با استفاده از تعريف سه ويژگي بر روي سيگنال هاي جمع آوري شده از واي- فاي كاربران و بهره گيري از مدل شبكه فازي-عصبي تطبيقي، كاربران ناحيه تحت پوشش در سه دسته طبقه بندي مي گردند. اين سه دسته عبارتند از: عابرين پياده، خودروهاي عبوري و كاربراني كه در ناحيه مذكور توقف طولاني مدت داشته اند.. نتايج نشان مي دهد، مدل پيشنهادي به ازاي بكارگيري روش خوشه بندي كاهشي براي تعيين تابع عضويت اوليه ويژگي ها توانسته است با دقت 83 درصد كاربران مذكور را طبقه بندي نمايد .همچنين ميزان صحت و بازخواني تشخيص خودروهاي عبوري در اين ناحيه به ترتيب 75 و 90 درصد است.

Recognizing the pattern of movement and the traveling mode is one of the most important issues in the field of urban analysis and transportation management. Disadvantages of the traditional method such as the questionnaire is the lack of availability and cost. So, after the emergence of new technologies, communication tools such as mobile phones are used to collect and analyze traffic data. The Wi-Fi network has been considered by intelligent transportation systems due to high availability and low cost. In this research, users in the specific area are classified into three categories using the Wi-Fi scanner. Pedestrians, passing cars and users who stop in the area for long time. This classification has been made using the extraction three features on the users' Wi-Fi signals and using an adaptive network-based fuzzy inference system (ANFIS) model. The results show that the proposed model for using the subtractive clustering method in the first layer of ANFIS to determine the initial membership function of the features has been able to classify the three categories with a accuracy of 84%, and the precision and recall of the user's detection Which used cars in this area, was 75% and 90%, respectively.