iBike: خدمات دوچرخه سواری هوشمند با کمک تجزیه و تحلیل داده ها
ترجمه نشده

iBike: خدمات دوچرخه سواری هوشمند با کمک تجزیه و تحلیل داده ها

عنوان فارسی مقاله: iBike: خدمات دوچرخه سواری هوشمند با کمک تجزیه و تحلیل داده ها
عنوان انگلیسی مقاله: iBike: Intelligent public bicycle services assisted by data analytics
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - مهندسی عمران
گرایش های تحصیلی مرتبط: هوش مصنوعی - برنامه ریزی حمل و نقل
کلمات کلیدی فارسی: خدمات دوچرخه عمومی، تجزیه و تحلیل داده ها، هوش مصنوعی، حمل و نقل هوشمند
کلمات کلیدی انگلیسی: public bicycle services, data analytics, artificial intelligence, intelligent transportation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2018.12.017
دانشگاه: School of Information and Safety Engineering, Zhongnan University of Economics and Law, Wuhan, China
صفحات مقاله انگلیسی: 18
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12003
فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Related works

3. Framework

4. Data analysis

5. Modeling

6. Experiments

7. Discussion

8. Conclusion

Acknowledgments

References

بخشی از مقاله (انگلیسی)

Abstract

Bicycle sharing systems are becoming increasingly prevalent in urban environments. These systems provide an environmentally friendly transportation alternative in cities. The management of these systems faces many optimization problems. The most important of these problems are the individual maintenance of bicycles, rebalancing and shared facilities, and the use of systems by creating requirements in asymmetrical patterns. A series of data mining tasks based on real data sets is performed to solve the problem of unbalanced bicycle use.

By analyzing the characteristics of each station, the stations are modeled from the perspective of individuals and clusters by means of different models. The evaluation indicators used to address the accuracy of the results provide an effective method for shared bicycle predictions.