پیش بینی تعداد مسافران سیستم حمل و نقل عمومی
ترجمه شده

پیش بینی تعداد مسافران سیستم حمل و نقل عمومی

عنوان فارسی مقاله: پیش بینی تعداد مسافران سیستم حمل و نقل عمومی: سیستم های مدیریت اطلاعات با استفاده از معماری های شبکه های عصبی پیچشی و شبکه های عصبی حافظه کوتاه مدت ماندگار
عنوان انگلیسی مقاله: Forecasting Public Transport Ridership: Management of Information Systems using CNN and LSTM Architectures
مجله/کنفرانس: علوم کامپیوتر پروسدیا - Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر و فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، اینترنت و شبکه های گسترده، شبکه های کامپیوتری، مدیریت سیستم های اطلاعات
کلمات کلیدی فارسی: پیش بینی تعداد مسافران، سیستم حمل و نقل عمومی، یادگیری ماشین، شبکه های عصبی پیچشی، شبکه های عصبی حافظه کوتاه مدت ماندگار، شبکه های عصبی
کلمات کلیدی انگلیسی: Ridership Forecasting - Public Transportation - Machine Learning - CNN - LSTM - Neural Nets
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2021.03.037
دانشگاه: دانشگاه آمستردام، دانشکده بازرگانی آمستردام، هلند
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2021
ایمپکت فاکتور: 2.094 در سال 2020
شاخص H_index: 76 در سال 2021
شاخص SJR: 0.334 در سال 2020
شناسه ISSN: 1877-0509
صفحات مقاله انگلیسی: 8
صفحات ترجمه فارسی: 18 (1 صفحه رفرنس انگلیسی)
فرمت مقاله انگلیسی: pdf
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
ترجمه شده از: انگلیسی به فارسی
وضعیت ترجمه: ترجمه شده و آماده دانلود
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا منابع داخل متن درج یا ترجمه شده است: بله
آیا توضیحات زیر تصاویر و جداول ترجمه شده است: بله
آیا متون داخل تصاویر و جداول ترجمه شده است: بله
کد محصول: 11867
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
ضمیمه: ندارد
ترجمه فارسی فهرست مطالب

چکیده


1. مقدمه


1.1. بیان مسئله و پیش زمینه


1.2. حیطه پوشش پژوهش و پرسش پژوهش


2. مرور پیشینه تحقیقاتی مربوطه


2.1. شبکه های عصبی پیچشی


2.2. شبکه های عصبی حافظه کوتاه مدت ماندگار و شبکه های عصبی ترکیبی


3. داده ها


4. روش پژوهش


4.1. توصیف «ورودی تصویر» برای شبکه های عصبی پیچشی


4.2. تولید مثال و ترکیب مجموعه های آموزش، اعتبارسنجی و آزمون


4.3. معماری مدل شبکه عصبی


4.4. رگرسیون کمترین مربعات معمولی


5. نتایج


5.1. خطای مجذور میانگین و دقت


5.2. پیش بینی


6. بحث


منابع

فهرست انگلیسی مطالب

Abstract


1. Introduction


1.1. Problem statement and background


1.2. Scope of the research and research question


2. Review of relevant literature


2.1. Convolutional Neural Networks (CNN)


2.2. Long Short-Term Memory (LSTM) and combined Neural Networks


3. Data


4. Methodology


4.1. Description of ”image input” for CNN


4.2. Example generation and assembling training, validation and test sets


4.3. Neural network model architecture


4.4. Ordinary Least Squares regression


5. Results


5.1. Mean Squared Error and Accuracy


5.2. Prediction


6. Discussion


References

نمونه ترجمه فارسی مقاله

چکیده


این مقاله پژوهشی، چارچوبی را برای ارائه و تحلیل کارآمد ابعاد مکانی و زمانی داده های پانلی ارائه می کند. این چارچوب از طریق ارائه ی داده ها به صورت ماتریس تصویری مکانی-زمانی میسر می شود و به مطالعه ی موردی درخصوص پیش بینی تعداد مسافران سیستم حمل و نقل عمومی اعمال می شود. عملکرد نسبی زیرمجموعه ی تکنیک های یادگیری ماشین بررسی می شود و بر شبکه های عصبی پیچشی و حافظه ی کوتاه مدت ماندگار تمرکز می شود. علاوه بر شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی ، شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار موازی ، شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی افزوده  نیز بررسی می شوند. تمام مدل ها برمبنای اثرات ثابت رگرسیون کمترین مربع معمولی آزمایش شدند. داده های مربوط به سابقه ی تعداد مسافران در چارچوبی در یک پروژه ارائه شده اند که بر اثری که خط متروی جدید بر تعداد مسافران داشت، تمرکز می کرد. نتایج نشان می دهد که پیش بینی های انجام شده توسط مدل شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار، بهترین عملکرد را داشت و این یافته حاکی از آن است که چارچوب پیشنهادی را می توان در اپلیکیشن هایی به کار برد که مستلزم مدلسازی دقیق تقاضا برای سیستم حمل و نقل عمومی هستند. فرآیند افزایش توصیفی شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی را می توان برای معرفی متغیرهای برونزا در این مدل استفاده کرد. این متغیرها موجب می شوند که این مدل در محیط های زندگی واقعی قابلیت تبیین و پابرجایی بیشتری داشته باشد. 


1. مقدمه


1.1. بیان مسئله و پیش زمینه


در بستر سیستم حمل و نقل عمومی، پیش بینی تعداد مسافران برای عملیات های کسب و کار ضروری است. داشتن اطلاعات درخصوص تقاضای مسافرت، به شرکت های سیستم حمل و نقل عمومی اجازه می دهد تا سیستم حمل و نقل را کارآمدتر سازند و بهبود سطح خدمات برای مشتریان و حذف هزینه های غیرضروری کمک شود (13، 1). در اختیار داشتن مدلی کارآمد درخصوص نحوه ی تغییر تقاضای سیستم حمل و نقل عمومی، برای برنامه ریزی آینده ضروری است و مسیرهای جدید، برنامه های کارآمدتر و بهینه سازی عملیات های حمل و نقل (برای مثال، تعداد اتوبوس های خطوط خاص) را معرفی می کند (3، 5). 


6. بحث


به نظر می رسد که شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی، بهترین مدل از نظر عملکرد در مجموعه ی آزمون هستند. با این حال، امتیاز آن کاملاً به امتیاز مدل شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار افزوده ی پیشنهادی نزدیک است. علاوه براین، از منظر سرعت همگرایی، مدل شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی، از نظر زمان ها (دوره های) لازم برای همخوانی با مجموعه ی آموزش سریعترین مدل هستند.

نمونه متن انگلیسی مقاله

Abstract


This research paper provides a framework for the efficient representation and analysis of both spatial and temporal dimensions of panel data. This is achieved by representing the data as spatio-temporal image-matrix, and applied to a case study on forecasting public transport ridership. The relative performance of a subset of machine learning techniques is examined, focusing on Convo-lutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) neural networks. Furthermore Sequential CNN-LSTM, Parallel CNN-LSTM, Augmented Sequential CNN-LSTM are explored. All models are benchmarked against a Fixed Effects Ordinary Least Squares regression. Historical ridership data has been provided in the framework of a project focusing on the impact that the opening of a new metro line had on ridership. Results show that the forecasts produced by the Sequential CNN-LSTM model performed best and suggest that the proposed framework could be utilised in applications requiring accurate modelling of demand for public transport. The described augmentation process of Sequential CNN-LSTM could be used to introduce exogenous variables into the model, potentially making the model more explainable and robust in real-life settings.


1. Introduction


1.1. Problem statement and background


In the context of public transport, forecasting ridership is essential for business operations. Knowing the demand for travel allows public transport companies to make the transportation system more efficient, and helps to proactively improve the level of service for their customers and eliminate unnecessary costs [13, 1]. Having an effective model of how demand for public transport changes over time is important for future planning, introducing new routes, more efficient schedules, and optimising transportation operations (e.g. frequency of buses on a certain line) [3, 5].


6. Discussion


It appears that Sequential CNN-LSTM is the best model in terms of performance on the test set. Its score, however, is quite close to that of the suggested Augmented CNN-LSTM model. Moreover, in terms of convergence speed, the Sequential CNN-LSTM model is the fastest in terms of passes (epochs) required to fit the training set.

تصویری از فایل ترجمه

          


(جهت بزرگ نمایی روی عکس کلیک نمایید)

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۵۷,۸۰۰ تومان
خرید محصول
  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

پیش بینی تعداد مسافران سیستم حمل و نقل عمومی
مشاهده خریدهای قبلی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها