دانلود رایگان ترجمه مقاله وعده داده های بزرگ و داده های کوچک برای رفتار سفر (نشریه الزویر ۲۰۱۶) (ترجمه ارزان – نقره ای ⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۱۵ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۷ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

وعده داده های بزرگ و داده های کوچک برای رفتار سفر (معادل تحرک انسانی)

عنوان انگلیسی مقاله:

The promises of big data and small data for travel behavior (aka human mobility) analysis

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۶
تعداد صفحات مقاله انگلیسی ۱۵ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی عمران، مهندسی کامپیوتر
گرایش های مرتبط با این مقاله مهندسی ترافیک یا حمل و نقل، علوم داده
چاپ شده در مجله (ژورنال) تحقیقات حمل و نقل بخش C 
کلمات کلیدی داده های بزرگ، داده های کوچک، تحرک انسان، رفتار سفر، برنامه ریزی حمل و نقل
ارائه شده از دانشگاه گروه مهندسی عمران و محیط زیست، دانشگاه واشنگتن، سیاتل، ایالات متحده آمریکا
رفرنس دارد  
کد محصول ۱۲۵۶
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۷ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱- مقدمه
۲- داده های بزرگ
۲-۱ ماهیت داده های تلفن همراه بی نام ایجاد شده به طور منفعل
۲٫۱٫۱ انواع داده ها
۲٫۱٫۲ تعداد ثبت ها
۲٫۲ متدولوژی های فعلی در تحقیقات داده های بزرگ
۲٫۲٫۱ پیش پردازش
۲٫۲٫۲ از ردیابی ها تا مکانهای فعالیت
۲٫۲٫۳ استنباط مکانهای فعالیت (اهداف سفر)
۲٫۲٫۴ استنباط انتخابهای حالت و مسیر
۲-۳ مسائل حل نشده (برای کاربردهای برنامه ریزی حمل و نقل)
۲-۳-۱ اعتباریابی
۲-۳-۲ معرف بودن
۳- عوامل رفتاری
۴- توسعه مدل
۵- الگوهای تحرک انسانی
۶- بحثها

 

 

بخشی از ترجمه
 چکیده
دهه ی گذشته شاهد پیشرفت بسیار فعالی در دو حوزه ی وسیع اما مجزا بوده است، که هم شامل شناخت و هم مدلسازی شیوه ای میشود که افراد در زمان و مکان حرکت میکنند (زین پس “تحلیل رفتار سفر” یا “تحلیل تحرک انسان” نامیده میشود). یک رشته که شامل محققان حمل و نقلی میشود که در این رشته برای چندین دهه کار کرده اند و دیگری تازه واردانی را در بر میگیرد که از طیف وسیعی از گرایشها میباشند، اما در اصل دانشمندان کامپیوتر و فیزیکدانان هستند. محققان در این دو رشته با مجموعه داده های مختلف کار میکنند، متدولوژی های مختلفی را بکار میبرند و به سوالات مختلف اما دارای وجه اشتراک پاسخ میدهند. دیدگاه ما این است، لازم است همکوشی پنهان زیاد بین این دو رشته از اختفا بیرون آید. به این ترتیب هدف این مقاله معرفی مجموعه داده ها، مفاهیم، دانش و روشهای بکار رفته در این دو رشته است و مهم تر از همه اینکه ایده های بین گرایشی را برای گفتگوها و همکاری های بین این دو ایجاد میکنند. امید ما بر این است، این مقاله بسیاری از مطالعات متقاطع آینده را برانگیزاد که شامل محققانی از هر دو رشته میشود.
 
۱- مقدمه
تحقیقات در زمینه ی حرکت انسان در زمان و فضا، حداقل به مدت پنج دهه وجود داشته است. این تحقیقات با نیاز به پیش بینی تقاضای سفر آینده به منظور هدایت بهتر سرمایه گذاری اغلب پروژه های حمل و نقل در مقیاس وسیع برانگیخته شده اند، محققان حمل و نقل از دیر باز در صدد توسعه ی مدلهایی برای پیش بینی شیوه ای هستند که مردم در زمان و فضا سفر میکنند و در جستجوی شناخت عواملی هستند که بر انتخاب های مربوط به سفر اثر میگذارند. اخیرا، چالشهای عظیمی هم چون گرم شدن جهانی و آلودگی هوا ممکن است همگی به علت اتکاء بیش از حد به اتومبیلها باشد، به علاوه محققان و کارشناسان حوزه ی حمل و نقل را برای توسعه ی راهبردهای موثر برای حرکت به سوی حالات نگهداشت پذیرتر حمل و نقل بر می انگیزاند (مثلا ترانزیت عمومی و پیاده روی و دوچرخه سواری). چندین دهه است که محققان حمل و نقل به طور وسیعی از داده های تقاضای فعال استفاده نموده اند من جمله به عنوان مثال زمینه یابی های سفری که در آن از افراد خواسته میشود فعالیتها و سفرهای خود را از طریق مصاحبه های کتبی، شبکه ای یا تلفنی، شخصا گزارش دهند؛ زمینه یابی های سفر به واقعه نگارهای جی پی اس (GPS) متصل شده اند که در طول آن از افراد خواسته میشود هم پرسشنامه ها را تکمیل کنند و هم واقعه نگارهای جی پی اس را حمل نمایند؛ و زمینه یابی های مبتنی بر جی پی اس خالص که در طول آنها از افراد فقط خواسته میشود واقعه نگارهای جی پی اس را حمل کنند. در نوع آخر، اطلاعات در مورد فعالیتها و سفرهای افراد باز هم لازم است از ردیابی های جی پی اس جمع آوری شده، استنباط شود. کل این زمینه یابی ها دارای مشخصات مشترکی هستند و آن بدین شرح است: تقاضای فعال- افراد و اطلاعات در مورد سفرهایشان به طور فعالی بکار گرفته میشوند. احتمالا به خاطر این ویژگی، این زمینه یابی ها با اندازه ی نمونه ی نسبتا کوچکی محدود میشوند. در این مقاله، ما به داده های تقاضای فعال اشاره میکنیم.
به موازات استفاده ی مداوم از داده های کوچک در تحقیقات حمل و نقل، پیشرفت و رواج سریع فناوریهای موبایل، جمع اوری میزان وسیعی از داده های منفعل (داده های بزرگ) را میسر ساخته است که منجر به موج خروشان مطالعات در مورد حرکت انسان شده است. داده های منفعل به داده های بکار رفته برای تحقیقات اشاره دارد. نمونه ها شامل مشاهدات تلفن همراه ایجاد شده از سوی اپراتورهای همراه برای اهداف عملیاتی، داده های رسانه های اجتماعی ایجاد شده به طور داوطلبانه توسط فعالیتهای آنلاین کاربران و داده های کارتهای هوشمند جمع اوری شده در بسیاری از سیستم های ترانزیت در سطح جهان میباشد. چنین داده هایی که به صورت منفعل جمع آوری شده اند، با داده های تقاضای فعال (داده های کوچک) بسیار متفاوت هستند که برای اکثر محققان حوزه ی حمل و نقل، آشنا هستند و به این ترتیب به روشها و تکنیکهای متفاوتی برای پردازش و مدلسازی نیاز دارند. هدف اول این مقاله، معرفی داده های بزرگ جمع اوری شده به طور منفعل برای محققان حمل و نقل است، که یک بررسی مدرن از روشهای بکار رفته را ارائه داده و نواحی دارای شکاف را شناسایی میکند که به طور خاصی برای برنامه ریزان حمل و نقل، حائز اهمیت میباشد.
از آن مهم تر اینکه، این مقاله در صدد شناسایی مفاهیم میان گرایشی و فرصتهایی برای هم محققانی است که دارای داده های کوچک بکار رفته به طور متداول هستند و هم محققانی که دارای داده های بزرگ میباشند. بحث ما، در سه بخش فرعی مهم تحقیقات رفتار سفر خواهد بود: ۱) عوامل رفتاری که در آن علاقه عواملی را شناسایی میکند که رفتارهای سفر را شرح میدهد و مکانیسم های سببی متضمن را آشکار مینماید؛ ۲) مدلسازی رفتار سفر که در آن مدلها برای پیش بینی رفتارهای حرکت انسان ایجاد میشوند؛ و ۳) الگوهای تحرک انسانی که در آن الگوشناسی، یک هدف مهم محسوب میگردد. دیدگاه ما این است که تحرک انسانی و به طور همزمان، دانش انباشته شده در تحقیقات حمل و نقل در چندین دهه ی گذشته میتواند مطالعات داده های بزرگ را برای پاسخ دهی به سوالاتی هدایت نماید که برای جامعه مهم است به طور خاص آنهایی که به تصمیمات و خط مشی های سرمایه گذاری حمل و نقل در محیطهای شهری مربوط هستند.
بقیه این مقاله به صورت زیر برنامه ریزی میشود. در بخش ۲، مقدمه ای از داده های بزرگ هم چنین نقد و بررسی متدولوژی های کنونی ارائه میشود. تاکید ما بر مجموعه داده های تلفن همراه ایجاد شده به طور منفعل است. در تحلیل الگوهای تحرک انسان، داده های تلفن همراه ایجاد شده به طور انفعالی به صورت مکررترین منبع داده ی مورد استفاده (و شاید قابل اعتمادترین) پدید آمده است. سایر منابع داده ها نمیتوانند طیف کاملی از یک الگوی تحرک انفرادی را در روزهای متعدد نشان دهند، من جمله استفاده از حالات متعدد حمل و نقل. نمونه ها عبارتند از استفاده از داده های تاکسی که تقریبا برای مطالعه ی الگوهای رانندگان، در جستجو برای مسافرین مناسب است، استفاده از داده های کارت هوشمند ترانزیت که فقط استفاده از حالات عبور را نشان میدهد، یا استفاده از داده های رسانه های اجتماعی که تفکیک مکانی و زمانی شان از داده های تلفن همراه بسیار پایین تر است و به سوی موقعیت های مکانی خاصی متمایل است. جماعت هدف بخش ۲، محققان حمل و نقلی است که با داده های زمینه یابی کوچک آشنایی دارند اما با داده های بزرگ آشنایی ندارند که اخیرا مورد استفاده قرار گرفته شده اند. در بخش ۵-۳ مفاهیم میان گرایشی و ایده ها را در سه بخش فرعی پیشتر ذکر شده مورد بحث قرار میدهیم. نتیجه گیری بحثها در بخش ۵ ارائه میشود.

 

بخشی از مقاله انگلیسی

Abstract

The last decade has witnessed very active development in two broad, but separate fields, both involving understanding and modeling of how individuals move in time and space (hereafter called “travel behavior analysis” or “human mobility analysis”). One field comprises transportation researchers who have been working in the field for decades and the other involves new comers from a wide range of disciplines, but primarily computer scientists and physicists. Researchers in these two fields work with different datasets, apply different methodologies, and answer different but overlapping questions. It is our view that there is much, hidden synergy between the two fields that needs to be brought out. It is thus the purpose of this paper to introduce datasets, concepts, knowledge and methods used in these two fields, and most importantly raise cross-discipline ideas for conversations and collaborations between the two. It is our hope that this paper will stimulate many future cross-cutting studies that involve researchers from both fields.

۱ Introduction

Research in human movement in time and space has been around for at least over five decades (Weiner, 1999). Motivated by the need to forecast future travel demand to better guide the investment of often mega-scale transportation projects, transportation researchers have long sought to develop models to predict how people travel in time and space and seek to understand the factors that affect travel-related choices. Recently, grand challenges such as global warming and air pollution can all be traced to the over-reliance on automobiles, further motivating transportation researchers and practitioners to develop effective strategies to move toward more sustainable modes of transportation (e.g., public transit and walking and biking). For decades, transportation researchers have largely used data of active solicitation, including, for example, travel surveys where subjects are asked to self-report their activities and travels via paper, web, or phone interviews; travel surveys coupled with GPS loggers during which subjects are asked to both complete questionnaires and carry GPS loggers; and pure GPS-based surveys during which subjects are only asked to carry GPS loggers (Wolf et al., 2001; Axhausen et al., 2003; Hato et al., 2006; Stopher et al., 2008a, 2008b; Bohte and Maat, 2009; Chen et al., 2010; Gong et al., 2011). In the last type, information about subjects’ activities and travels still need to be inferred from the collected GPS traces. All these surveys share a common characteristics and that is: active solicitation—subjects and information on their travels are actively recruited. Probably because of this attribute, these surveys are limited by a relatively small sample size (TMIP, 2013). In this paper, we refer to data of active solicitation as small data.

Parallel to the continued use of small data in transportation research, the rapid rise and prevalence of mobile technologies have enabled the collection of a massive amount of passive data (big data), which have resulted in a surge of studies on human movement (e.g., Gonzalez et al., 2008; Kang et al., 2012a, 2012b; Calabrese et al., 2013). Passive data refers to those data not collected through active solicitation; rather it is generated for purposes that are not intended but can be potentially used for research. Examples include mobile phone sightings generated by phone operators for operation purposes (Calabrese et al., 2011), social media data generated voluntarily by users’ online activities (Chen and Schintler, forthcoming), and smartcard data collected at many transit systems worldwide (Pelletier et al., 2011; Ma et al., 2013). Passively collected, such data is very different from data of active solicitation (small data) that are familiar to most transportation researchers and thus requires different methods and techniques for processing and modeling. The first purpose of this paper is to introduce passively collected big data to transportation researchers, provide a state of the art review of the methods used, and identify areas of gap that are particularly important for transportation planners.

More importantly, this paper seeks to identify cross-disciplinary concepts and opportunities for both transportation researchers who have traditionally used small data and big data researchers. Our discussion will be on three important subareas of travel behavior research: (1) behavioral factors where the interest is identifying factors that explain travel behaviors and uncover the underlying causal mechanisms; (2) modeling travel behavior where models are developed to predict human movement behaviors; and (3) human mobility patterns where pattern recognition is an important goal. It is our view that the recent advances made with the use of the big data have the potential to drive fundamental advances in research in human mobility and at the same time, knowledge accumulated in transportation research in the past many decades can guide big data studies to answer questions that matter to the society, in particular, those relating to transportation investment decisions and policies in urban environments.

The rest of the paper is organized as follows. In Section 2, an introduction of the big data as well as a review of the current methodologies is provided. Our focus is on passively generated mobile phone dataset. In analyzing human mobility patterns, passively generated mobile phone data has emerged as the most frequently used (and possibly the most reliable) data source (Gonzalez et al., 2008). Other data sources cannot capture the full spectrum of an individual’s mobility pattern over multiple days, involving the use of multiple modes of transportation. Examples include the use of taxi data that is mostly suitable for studying drivers’ patterns in searching for passengers (Jiang et al., 2009; Liu et al., 2012), use of transit smart card data that only captures the use of transit modes (Long and Thill, 2015), or the use of social media data whose spatial and temporal resolutions are much lower than those of mobile phone data and biased toward certain locations (Cheng et al., 2011; Noulas et al., 2012). The target audience of Section 2 is transportation researchers who are familiar with the small, survey data but not the big data that has been recently utilized. In Sections 3–۵, we discuss cross-disciplinary concepts and ideas in the three subareas noted earlier. Concluding discussions are provided in Section 6.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

وعده داده های بزرگ و داده های کوچک برای رفتار سفر (معادل تحرک انسانی)

عنوان انگلیسی مقاله:

The promises of big data and small data for travel behavior (aka human mobility) analysis

 
 
 
 
 

 

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا