ارزيابي عملكرد روش‌هاي مختلف يادگيري ماشين در شناسايي نوع حمل و نقل با استفاده از داده‌هاي خط سير

با ظهور گسترده گوشي‌هاي هوشمند كه به سامانه موقعيت‌ياب جهاني (GPS) مجهز هستند، حجم انبوهي از داده‌هاي مكاني خط سير كاربران ايجاد شده است. مطالعه بر روي اين داده‌ها در راستاي تسهيل مديريت شهري و ارائه مناسب خدمات به كاربران به‌عنوان يك زمينه تحقيقاتي گسترده مطرح شده و در حال رشد است. در اين تحقيق به شناسايي نوع حمل‌ونقل خطوط سير كاربران بر مبناي داده‌هاي خام GPS آن‌ها پرداخته شده است. اين داده‌ها غالباً داراي خطاهايي هستند كه در اين تحقيق با اعمال يك فرآيند پيش‌پردازش چندمرحله‌اي سعي شده است مقدار خطا به حداقل برسد. سپس به‌منظور شناسايي نوع حمل‌ونقل شامل پياده‌روي، دوچرخه، قطار، اتوبوس و رانندگي ويژگي‌هاي متعددي استخراج مي‌شود. در ادامه به‌منظور ساختن مدل پيش‌بيني كننده از چهار روش طبقه‌بندي درخت تصميم، شبكه عصبي پرسپترون چندلايه، بيز ساده و ماشين بردار پشتيبان استفاده مي‌شود. در جهت بهبود عملكرد روش‌هاي پياده‌سازي، از درصد حضور نقاط هر خط سير در فاصله يك انحراف معيار از ميانگين كل سرعت نوع‌هاي حمل‌ونقل به عنوان يك ويژگي جديد استفاده شده است. پياده‌سازي چهار مدل يادشده به ازاي پارامترهاي تنظيم‌كننده مختلف انجام شده و پس از  يك جستجوي جامع شبكه‌اي پارامترهاي مختلف موجود در اين روش‌ها در بهينه‌ترين مقدار تنظيم مي‌شوند. در ادامه از سه شاخص كاپا، دقت كلي و خطاي جذر ميانگين مربعات (RMSE) براي ارزيابي روش‌هاي مختلف استفاده مي‌شود. نتايج حاصل از اين تحقيق نشان داد كه شبكه عصبي پرسپترون چندلايه با دقت كلي 0.88 توانست بهترين نتايج را نسبت به ساير مدل‌ها از خود نشان دهد.