دانلود مقاله بررسی زمینه جغرافیایی تشخیص از داده های GPS
چکیده
مقدمه
حوزه مطالعاتی
داده ها
روش ها
نتایج
بحث
نتیجه گیری
منابع
Abstract
Introduction
Study area
Data
Methods
Results
Discussion
Conclusion
References
چکیده
افزایش در دسترس بودن دستگاه‌های نظارت بر سلامت و تلفن‌های هوشمند فرصتی را برای محققان ایجاد کرده است تا به داده‌های تحرک با وضوح بالا (مکانی و زمانی) برای درک رفتار سفر در شهرها دسترسی داشته باشند. اگر چه اطلاعات حاصل از داده های GPS در مطالعات متعددی برای شناسایی حالت های حمل و نقل استفاده شده است، یک شکاف تحقیقاتی در درک نقش زمینه جغرافیایی در تشخیص حالت حمل و نقل وجود دارد. ادغام جغرافیایی که در آن تحرک رخ می دهد، سرنخ های زمینه ای را ارائه می دهد که ممکن است به مدل های پیش بینی کننده حالت های حمل و نقل امکان تعمیم پذیری بیشتری را بدهد. اهداف ما اولاً، توسعه یک چارچوب مدل‌سازی مبتنی بر داده برای تشخیص حالت حمل‌ونقل با استفاده از داده‌های تحرک GPS همراه با زمینه جغرافیایی، و دوم، ارزیابی اینکه چگونه دقت و تعمیم‌پذیری مدل با افزودن زمینه جغرافیایی متفاوت است. تا این حد، ما ویژگی‌هایی را از داده‌های تحرک GPS خام (سرعت، ارتفاع، زاویه چرخش و جابجایی خالص) و زمینه یکپارچه در قالب ویژگی‌های جغرافیایی برای طبقه‌بندی فعال (مانند پیاده‌روی/دوچرخه)، عمومی (به عنوان مثال اتوبوس/قطار) و حالت های حمل و نقل خصوصی (یعنی ماشین) در سه شهر مختلف کانادا - مونترال، سنت جانز، و ونکوور. تا این حد، ما ویژگی‌هایی را از داده‌های تحرک GPS خام (سرعت، ارتفاع، زاویه چرخش و جابجایی خالص) و زمینه یکپارچه در قالب ویژگی‌های جغرافیایی برای طبقه‌بندی فعال (مانند پیاده‌روی/دوچرخه)، عمومی (به عنوان مثال اتوبوس/قطار) و حالت های حمل و نقل خصوصی (یعنی ماشین) در سه شهر مختلف کانادا - مونترال، سنت جانز، و ونکوور. برای ارزیابی نقش یکپارچه‌سازی بافت جغرافیایی در تشخیص حالت، ما دو رویکرد مدل‌سازی متفاوت را اتخاذ کردیم - تعمیم‌یافته و مختص زمینه، و نتایج را با استفاده از جنگل‌های تصادفی، تقویت گرادیان شدید و طبقه‌بندی‌کننده‌های پرسپترون چند لایه مقایسه کردیم. نتایج ما نشان می‌دهد که برای مدل‌های خاص زمینه، بالاترین دقت طبقه‌بندی 64 درصد برای مونترال، 74 درصد برای سنت جان و 77 درصد برای ونکوور در مقایسه با مدل تعمیم‌یافته بهبود یافته است. ما همچنین دریافتیم که پرسپترون چندلایه (96٪) با افزودن متغیرهای زمینه ای در مقایسه با طبقه بندی جنگل های تصادفی (94.6٪) و افزایش گرادیان شدید (93.3٪) به بالاترین دقت طبقه بندی دست یافت. مطالعه ما نشان می‌دهد که افزودن اطلاعات زمینه‌ای خاص به جغرافیای یک شهر می‌تواند دقت پیش‌بینی مدل‌های تشخیص حالت حمل و نقل را بهبود بخشد، با این حال، در صورت دانش محدود در مورد تنظیمات جغرافیایی یک منطقه مورد مطالعه، یک مدل تعمیم‌یافته ترکیبی از داده‌های GPS از چندین شهر ممکن است همچنان برای پیش بینی حالت ها از داده های سفر مفید باشد.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
The increasing availability of health monitoring devices and smartphones has created an opportunity for researchers to access high-resolution (spatial and temporal) mobility data for understanding travel behavior in cities. Although information from GPS data has been used in several studies to detect transportation modes, there is a research gap in understanding the role of geographic context in transportation mode detection. Integrating the geography in which mobility occurs, provides context clues that may allow models predicting transportation modes to be more generalizable. Our goals are first, to develop a data-driven modeling framework for transportation mode detection using GPS mobility data along with geographic context, and second, to assess how model accuracy and generalizability varies upon adding geographic context. To this extent we extracted features from raw GPS mobility data (speed, altitude, turning angle and net displacement) and integrated context in the form of geographic features to classify active (i.e. walk/bike), public (i.e. bus/train), and private (i.e. car) transportation modes in three different Canadian cities - Montreal, St. Johns, and Vancouver. To assess the role of integrating geographic context in mode detection, we adopted two different modeling approaches – generalized and context-specific, and compared results using random forests, extreme gradient boost, and multilayer perceptron classifiers. Our results indicate that for context-specific models the highest classification accuracy improved by 64% for Montreal, by 74% for St. John's and by 77% for Vancouver compared to the generalized model. We also found that the multilayer perceptron (96%) achieved the highest classification accuracy upon adding contextual variables compared to random forests (94.6%) and extreme gradient boost (93.3%) classifier. Our study highlights that adding contextual information specific to a city's geography can improve the predictive accuracy of transportation mode detection models, however, in case of limited knowledge about the geographic setting of a study area, a generalized model combining GPS data from several cities may still be useful for predicting modes from trip data.
Introduction
Understanding the modes of transportation people use to travel within cities is key to planning safer, healthier, and more inclusive environments (Boulange et al., 2017). Detailed information about mobility patterns and transportation mode usage can help planners and policymakers when they make targeted decisions to invest in safe and equitable infrastructure (Nelson et al., 2021; Roy et al., 2019). The growing availability of health monitoring devices and smartphones is now facilitating the collection of high-resolution (spatial and temporal) mobility data, which policymakers can potentially use to overcome methodological problems associated with traditional models (Forrest and Pearson, 2005; Murakami et al., 2004). Such ‘big' mobility data provides an opportunity to create a deeper understanding of the transportation mode choices of individuals (Feng and Timmermans, 2013) and to build an aggregate picture of a city's travel behavior (Bohte and Maat, 2009; Chen et al., 2016). Such information can then be used to improve urban infrastructure allocation and enhance accessibility (Ford et al., 2015; Cui et al., 2020) and comfort (Ferster et al., 2021) of a city's residents.
Conclusion
Overall our results can inform policymakers to quantify how context influences travel behavior in cities. Our modeling approach is open and reproducible and can be used to predict transportation modes from GPS data and contextual information in other cities depending upon the availability of data. The context-specific methods developed will be applicable in scenarios where the underlying urban structure of the city is to be closely studied and have a significant influence on mode choices. The results generated in this paper could provide a guideline to policymakers on which additional factors to consider for predicting transportation modes beyond the traditional instrumental factors like distance, speed, time, and cost. With further research and refinement of our results policymakers can better understand how and why the travel demand for different transport modes fluctuates with the dynamics of space, time, and place. The results can be utilized in helping them design well-planned data collection efforts for travel behavior studies that could enable more equitable infrastructure investments for one and all. However, the results might vary by geographic settings of a study area and policymakers need to prioritize their goals of higher accuracy versus high generalizability to choose an optimal model that suits their needs.