دانلود مقاله ترجمه شده کاربرد دیتای مداری در تخمین حجم ترافیک شهری (IEEE 2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه IEEE در ۱۴ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۴۸ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۱۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی عمران و شهرسازی
گرایش های مرتبط با این مقاله	برنامه ریزی حمل و نقل و مدیریت شهری
مجله	یافته های به دست آمده در حوزه مهندسی دانش و داده
دانشگاه	دانشگاه پوردو، غرب لافایت
کلمات کلیدی	محاسبات شهری، برآورد حجم ترافیک، مدارها، نظریه جریان ترافیکی
شناسه شاپا یا ISSN	ISSN ۱۰۴۱-۴۳۴۷
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ نمای کلی
۲،۱٫ مقدمات
۲،۲٫ چارچوب
۳٫ برآورد سرعت جابجایی
۳،۱٫ نقشه برداری مداری
۳،۲٫ استخراج بافت شهری
۳،۳٫ استنتاج مدل سرعت
۴٫ برآورد حجم ترافیک
۴،۱٫ استخراج ویژگی جریان ترافیکی
۴،۱،۱٫ شناسایی طبقه های توزیعی سرعت جاده
۴،۱،۲٫ استخراج پارامترهای سرعت FD
۴،۱،۳٫ استنباط ویژگی های لحاظ نشده جریان ترافیکی
۴،۲٫ درک ویژگی سطح بالای مرتبط به حجم
۴،۳٫ تفسیر مجدد حجم ترافیک
۵٫ آزمایشات
۵،۱٫ مجموعه داده ها
۵،۲٫ تنظیمات
۵،۳٫ ارزیابی روی استنتاج ویژگی جریانی ترافیک
۵،۴٫ ارزیابی روی TVE
۵،۴،۱٫ نتایج حاصل از تفسیر مجدد حجم ترافیک
۵،۴،۲٫ عملکرد کلی
۵،۴،۳ عملکرد زمانی
۶٫ فعالیت های مرتبط
۶،۱٫ روش های سنتی برآورد حجم ترافیک
۶،۲٫ برآورد حجم ترافیک با استفاده از داده های حسگر موبایل
۷٫ نتیجه گیری
تقدیرنامه ها
منابع

• بخشی از ترجمه:

۷٫ نتیجه گیری
ما یک چارچوب جدید گسترش می دهیم که هر دوی تکنیک های فراگیری ماشینی به شدت مقیاس پذیر و نظریه های جریان ترافیکی خوب تثبیت شده را به منظور برآورد حجم ترافیک شهری با استفاده از داده های حاصل از از مدارهای GPS و چندین منبع دیگر ادغام می کند. ما مجموعه ای از ویژگی های جریان ترافیکی حاصل از مدار های GPS را بر اساس نظریه جریان ترافیکی استخراج می کنیم، که منجر به کیفیت برآورد بهبود یافته می شود. ویژگی های مرتبط که در ساختار وابستگی در تعیین حجم ترافیک درگیرند، همچنین با استفاده از شبکه های بیزی نیمه مشاهده شده بررسی شده اند. فهمیده شده است که جاده های سطح بالاتر (گروه ۱ و ۲) در مقایسه با جاده های کوچک، دارای ساختار شبکه بیزی بسیار متفاوتی هستند و تحت تأثیر عوامل کمتری قرار می گیرند. چارچوب با استفاده از یک مجموعه داده مداری GPS حاصل از ۳۳،۰۰۰ تاکسی پکن در طی یک دوره ۱۱۸ روزه و داده های حجمی حقیقی میدانی حاصل از ۴۹۸۰ کلیپ ویدیوئی ارزیابی شده است. نتایج نشان می دهند که چارچوب به MRE کلی ۳۲٫۲ درصدی در همه گروه های جاده ای دست می یابد. علاوه بر این، هنگامی که در بزرگراه ها اعمال می شود، MRE می تواند به میزان ۲۳٫۶ درصد کم باشد. ارزیابی نتایج نشان می دهد که چارچوب ما نسبت به روش های پایه از نظر اثربخشی و مقیاس پذیری، بهتر عمل می کند. در حال حاضر، چارچوب ما در برآورد حجم ترافیک برای جاده های سطح پایین تر (MRE = 50 درصد برای جاده های گروه ۳) کم دقت تر است. این امر عمدتا به این دلیل است که ترافیک در جاده های کوچک فاقد نظم است و نمودارهای مبنا برای این جاده ها معمولا به خوبی حرکت داده نشده اند. از این رو، ویژگی های مربوط به جریان ترافیکی استخراج شده برای درک کامل رابطه بین سرعت – جریان کافی نیستند. مطالعات بعدی می تواند به منظور کشف روش های بهتر برای جاده های سطح پایین تر انجام شود. این امر، همچنین به منظور گسترش چارچوب بوسیله ترکیب داده های ترافیکی حسگرهای ترافیکی موجود در شهر، که دقت برآورد را بیشتر بهبود خواهد داد، معنی دار خواهد بود.

• بخشی از مقاله انگلیسی:

۷ CONCLUSION

We develop a new framework that integrates both highly scalable machine learning techniques and well-established traffic flow theories to estimate the citywide traffic volume using data from GPS trajectories and several other sources. We extract a set of traffic flow features from GPS trajectories based on the traffic flow theory, which lead to improved estimation quality. The relevant features that involved in the dependency structure in determining traffic volume are also investigated using partially observed Bayesian networks. It is found that higher level roads (Group 1&2) possesses very different Bayesian network structure compared with small roads and impacted by fewer factors. The framework is evaluated using a GPS trajectory dataset from 33,000 Beijing taxis over a period of 118 days and ground truth volume data from 4,980 video clips. The results show that the framework achieves overall MRE of 32.2 percent on all groups of roads. Moreover, when applied to highways, the MRE can be as low as 23.6 percent. The evaluation results show our framework outperforms the baseline approaches in terms of effectiveness and scalability. Currently, our framework is less accurate in estimating traffic volume for lower level roads (MRE=50 percent for Group 3 roads). This is mainly because the traffic on small roads lacks regularity and the fundamental diagrams for these roads are usually not well-behaved. Hence the extracted traffic flow related features are not sufficient to fully capture the speed-flow relationship. Future work can be done to explore better methods for lower level roads. It will also be meaningful to extend the framework by incorporate traffic data from existing traffic sensors in the city, which will further improve the estimation accuracy.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله