پيش بيني حالت هاي حمل ونقل از نقاط خط سير با استفاده از روش هاي تقويت كننده و يادگيري عميق در حمل ونقل هوشمند

: امروزه با گسترش شهرنشيني نياز به حمل‌ونقل هوشمند به منظور تسهيل رفت و آمد شهروندان بيش از پيش مورد توجه قرار گرفته است. شناسايي و پيش‌بيني استفاده از حالات حمل‌ونقلي يكي از اساسي‌ترين پيش‌نيازها براي راه‌اندازي و استفاده از خدمات حمل‌ونقل هوشمند به شمار مي‌آيد. با پيشرفت فناوري‌هاي مكاني، ابزار و تلفن‌هاي هوشمند، اطلاعات زيادي با استفاده از سيستمهاي تعيين موقعيت ماهواره اي (GNSS) توسط بسياري از دستگاه‌ها توليد مي‌شود. در اين پژوهش، چهار ويژگي نقطه‌اي، 56 ويژگي سفر و سه ويژگي پيشرفته استخراج شده، چهار مدل كلاسه‌بندي GB، XGBoost، LightGBM و CatBoost زير مجموعه روش تقويت‌كننده (Boostig) پس از انتخاب ويژگي تركيبي به همراه سه مدل كلاسه‌بندي CNN، LSTM و ConvLSTM زير مجموعه روش يادگيري عميق پياده‌سازي و بررسي شده تا بتوان حالات حمل‌ونقلي شامل: پياده‌روي، استفاده از دوچرخه، استفاده از اتوبوس، استفاده از اتومبيل و استفاده از قطار را با استفاده از مجموعه داده‌هاي GeoLife پيش‌بيني كنند. نتايج نشان داد مدل LightGBM با كسب دقت بالاتر (49/95درصد) و پيچيدگي زماني كمتر، بهترين مدل نسبت به مدل‌هاي ديگر است.