Machine-Learning Approaches to Identify Travel Modes Using Smartphone-Assisted Survey and Map Application Programming Interface
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Travel mode choice prediction is essential for transportation planning and travel demand prediction. One of the conventional travel survey methods is collecting data over landline telephones, which lacks efficiency because of financial and time resource needs. In this regard, smartphone-assisted travel surveys can be applied to overcome the mentioned deficiencies. Smartphone-assisted travel surveys allow respondents to record GPS data, travel purpose, and travel mode via an application, simplifying the survey process. With various sensors equipped, the precision of data is ensured. Based on the survey results, varied approaches have been seen to travel mode identification. For this study, a travel survey was conducted in Hangzhou, China, supported by the smartphone application TraceRecord integrated with online mapping services. Several steps were undertaken to recognize different kinds of travel modes. First, preprocessing was adopted to screen out defective logs. With the employment of A-Map Application Programming Interface (API), trajectory segmentation was substantially boosted. Then, separately, features related to velocity, acceleration, and heading were extracted from the survey data. To achieve better accuracy and efficacy, two classification algorithms—support vector machine (SVM) and gradient boosting decision tree (GBDT)—were applied to model the travel mode identification problem. Compared with the SVM, GBDT produced a higher prediction accuracy of 90.16%. Further analysis was implemented based on the results of the GBDT model, and velocity-related features contributed the most to the identification problem. The study explores the possibility of applying travel mode recognition in real-world conditions and discusses further mining of the survey data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle