شناسايي خودكار نوع وسيله‌ي سفر از داده‌هاي GPS وسايل همراه با استفاده از شبكه‌ي عصبي– فازي

Automatic mode detection in transportation using GPS data from mobile devices and neuro –fuzzy system

تعيين نوع و تقاضاي سفر اهميت زيادي در سازمان‌هاي حمل و نقل هر كشور دارد. با تشخيص دقيق نوع وسيله‌ي سفر هر كاربر، امكان ارايه‌ي تصوير واقعي‌تري از تقاضاي سفر فراهم مي‌شود. همچنين در سرويس‌هاي مكان‌مبنا دانستن نوع وسيله‌ي سفر براي فرستادن تبليغات هدفمند كاربرد دارد. در اين تحقيق به‌منظور استخراج خودكار نوع وسيله‌ي سفر از شبكه‌ي عصبي-فازي و داده‌هاي سيستم تعيين موقعيت جهاني (GPS) وسيله‌ي همراه استفاده‌شده است. دانش مورد نياز در قالب قوانين فازي از داده‌ها استخراج گرديد و سپس با استفاده از اين قوانين نوع وسيله‌ي سفر تعيين شد. در دو حالت مدل پيشنهادي مورد بررسي قرار گرفت. در حالت اول از كل داده‌هاي GPS به‌دست‌آمده از وسايل همراه براي تعيين نوع وسيله‌ي سفر استفاده گرديد و در حالت دوم به‌منظور كاهش تعداد داده‌هاي مورد نياز از وسيله‌ي همراه GPS دار، الگوريتم نقاط بحراني به كار گرفته شد. به‌كارگيري اين الگوريتم علاوه بر كاهش هزينه‌هاي جمع‌آوري داده، باعث حفظ منابع وسيله‌ي همراه از قبيل عمر باتري مي‌گردد. نتايج حاكي از اين است كه مدل پيشنهادي در حالت استفاده از كل داده‌ها با دقت ?/?? % و در حالت استفاده از نقاط بحراني با دقت ?/??% قابليت شناسايي نوع وسيله‌ي سفر را دارا مي‌باشد.

Cognition of travel mode and travel demand is of prime importance to transportation communities and agencies in every country. If the precise transportation modes of individual users are recognized, a more realistic travel demand can be considered. Also, in location-based service, the knowledge of a traveler’s transportation mode is applied to send targeted and customized informative advertisements. This study examines the feasibility of using a neuro-fuzzy inference system to automatically detect the mode of transportation from GPS data collected by GPS-enabled mobile phones. To achieve this, the knowledge was extracted in the form of fuzzy rules from the data and, then, the rules are being used for determination of transportation’s mode. For this purpose, the model was examined in two cases. In the first case, all GPS data from mobile devices were used, while in the second case the critical point algorithm was exercised. In addition to reducing the size of required GPS datasets, the critical point algorithm decreases data collection cost and saving mobile phone resources such as its battery life. The results showed that the suggested model have the capability of detecting a transportation mode with 94/1 percent accuracy in case of using all GPS data and 95.5 percent accuracy in case of using critical points.