Inferring Travel Modes from Cellular Signaling Data Based on the Gated Recurrent Unit Neural Network
Notice bibliographique
Résumé
Cellular signaling data have become increasingly indispensable in analyzing residents’ travel characteristic. Especially with the enhancement of positioning quality in 4G-LTE and 5G wireless communication systems, it is expected that the identification accuracy of fine-grained travel modes will achieve an optimal level. However, due to data privacy issues, the empirical evaluation of the performance of different identification methods is not yet sufficient. This paper builds a travel mode identification model that utilizes the gated recurrent unit (GRU) neural network. With 24 features as input, this method can identify four traffic modes, including walking, bicycle, car, and bus. Moreover, in cooperation with the operator, we organized an experiment collecting cellular signaling data, as well as the corresponding GPS data. Using the collected dataset as ground-truth data, the performance of the method presented in this paper and other popular methods is verified and compared. The results indicate that the GRU-based method has a better performance, with a precision, recall, and F score of 90.5%. Taking F score as an example, the outcome of the GRU-based method is about 6% to 7% higher than methods based on other machine learning algorithms. Considering the identification accuracy and model training time comprehensively, the method suggested in this paper outperforms the other three deep learning-based methods, namely, recurrent neural network (RNN), long short-term memory network (LSTM), and bidirectional long short-term memory network (Bi-LSTM). This study may provide some insights for the application and development of cellular signaling-based travel information collection technology for residents in the future.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».