دانلود ترجمه مقاله پیش بینی زمان توقف اتوبوس مبنی بر K-نزدیک ترین همسایه (ساینس دایرکت – الزویر 2016) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

پیش بینی زمان توقف اتوبوس مبنی بر K-نزدیک ترین همسایه

Bus Dwell Time Prediction Based on KNN

چکیده
1- مقدمه
2- روش‌شناسی
2-1- بررسی مدل
2-2- مدل پیش‌بینی مبتنی بر KNN
3- مطالعه موردی
3-1- جمع‌آوری داده‌ها
3-2- نتایج و تجزیه‌وتحلیل
4- نتیجه‌گیری
منابع‌

چکیده

هدف از این تحقیق، توسعه یک مدل دینامیکی برای پیش‌بینی زمان توقف اتوبوس در ایستگاه‌های پایین‌دست است. این تحقیق همچنین قصد دارد که مدل پیشنهادی را با استفاده از داده‌های دنیای واقعی بررسی کند. این مدل بر اساس الگوریتم k-نزدیک‌ترین همسایه است و از داده‌های قبلی و کنونی جمع‌آوری‌شده توسط GPS (سامانه موقعیت‌یابی جهانی) نصب شده در اتوبوس‌ها استفاده می‌کند. در این تحقیق از داده‌های اتوبوس‌های خط B1 در چین استفاده شده است. مدل پیشنهادی پیش‌بینی زمان توقف در بررسی با استفاده از داده‌های دنیای واقعی، به‌طور مؤثری از نظر دقت و محاسبه سرعت اجرا شد.

4- نتیجه‌گیری‌

مدل پیشنهادی مطرح شده بر اساس KNN می‌تواند زمان توقف اتوبوس را در ایستگاه‌های پایین‌دستی با استفاده از داده‌های قبل GPS اتوبوس در همان زمان پیش‌بینی کند. مدل پیشنهادی را می‌توان عملاً بدون نیاز به تغییر با توجه به سبک اتوبوس، شکل توقف و همچنین بدون نیاز به پیش‌بینی تعداد مسافرانی که به اتوبوس سوار می‌شوند و از آن پیاده می‌شوند، به کار برد. نتایج آزمون نشان دادند که در مقایسه با روش پیش‌بینی مبتنی بر میانگین زمان توقف و روش مبتنی بر KNN که از مجموع داده‌ها بجای داده‌های نوع مشابه استفاده می‌کند، روش پیشنهادی عملکرد بهتری دارد. خطای پردازش زمان توقف اتوبوس می‌تواند بر دقت پیش‌بینی تأثیرگذار باشد. برای مثال، برخی از ایستگاه‌های اتوبوس به چهارراه‌ها نزدیک هستند، بنابراین زمان انتظار برای چراغ راهنمایی ممکن است به عنوان زمان توقف در نظر گرفته شود. اگر در آینده بتوان حسگرها را بجای GPS برای نشان دادن زمان توقف اتوبوس در ایستگاه اتوبوس نصب کرد، بنابراین مدل پیشنهادی می‌تواند عملکرد بهتری داشته باشد.

Abstract

The objective of this research is to develop a dynamic model to predict bus dwell time at downstream stops. The research also intends to test the proposed model using real-world data. This model is based on k-Nearest Neighbour (KNN) algorithm using history and current data collected by GPS (Global Positon System) fixed on buses. In the research, the data of buses of No.B1 line of Changzhou in China is used. In the test with real-world data, the proposed bus dwell time prediction model performed effectively both on accuracy and calculating speed.

4- Conclusions

The proposed prediction model based on KNN can predict bus dwell time at downstream stations using history bus GPS data of same time. The proposed model can be used in practice without need of adjustment according to bus style, stop form and also without need of prediction the number of passengers will on and down. The test results shown that compared with the predict method based on average dwell time and the method based on KNN using the total data rather than just using same type data, the proposed method performs better. The processing error of bus dwell time may influence the prediction accuracy. For example some bus stations are close to crossroads, so the time of waiting for traffic light may considered as dwell time. If sensors can be fixed at bus station in future to collect bus dwell time instead of GPS, then the proposed model will perform better.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی زمان توقف اتوبوس مبنی بر K-نزدیک ترین همسایه

Bus Dwell Time Prediction Based on KNN