ترجمه مقاله پیش بینی تعداد مسافران سیستم حمل و نقل عمومی – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر و فناوری اطلاعات
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، اینترنت و شبکه های گسترده، شبکه های کامپیوتری، مدیریت سیستم های اطلاعات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
1.1. بیان مسئله و پیش زمینه
1.2. حیطه پوشش پژوهش و پرسش پژوهش
2. مرور پیشینه تحقیقاتی مربوطه
2.1. شبکه های عصبی پیچشی
2.2. شبکه های عصبی حافظه کوتاه مدت ماندگار و شبکه های عصبی ترکیبی
3. داده ها
4. روش پژوهش
4.1. توصیف «ورودی تصویر» برای شبکه های عصبی پیچشی
4.2. تولید مثال و ترکیب مجموعه های آموزش، اعتبارسنجی و آزمون
4.3. معماری مدل شبکه عصبی
4.4. رگرسیون کمترین مربعات معمولی
5. نتایج
5.1. خطای مجذور میانگین و دقت
5.2. پیش بینی
6. بحث
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
This research paper provides a framework for the efficient representation and analysis of both spatial and temporal dimensions of panel data. This is achieved by representing the data as spatio-temporal image-matrix, and applied to a case study on forecasting public transport ridership. The relative performance of a subset of machine learning techniques is examined, focusing on Convo-lutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) neural networks. Furthermore Sequential CNN-LSTM, Parallel CNN-LSTM, Augmented Sequential CNN-LSTM are explored. All models are benchmarked against a Fixed Effects Ordinary Least Squares regression. Historical ridership data has been provided in the framework of a project focusing on the impact that the opening of a new metro line had on ridership. Results show that the forecasts produced by the Sequential CNN-LSTM model performed best and suggest that the proposed framework could be utilised in applications requiring accurate modelling of demand for public transport. The described augmentation process of Sequential CNN-LSTM could be used to introduce exogenous variables into the model, potentially making the model more explainable and robust in real-life settings.
چکیده
این مقاله پژوهشی، چارچوبی را برای ارائه و تحلیل کارآمد ابعاد مکانی و زمانی داده های پانلی ارائه می کند. این چارچوب از طریق ارائه ی داده ها به صورت ماتریس تصویری مکانی-زمانی میسر می شود و به مطالعه ی موردی درخصوص پیش بینی تعداد مسافران سیستم حمل و نقل عمومی اعمال می شود. عملکرد نسبی زیرمجموعه ی تکنیک های یادگیری ماشین بررسی می شود و بر شبکه های عصبی پیچشی و حافظه ی کوتاه مدت ماندگار تمرکز می شود. علاوه بر شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی ، شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار موازی ، شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی افزوده نیز بررسی می شوند. تمام مدل ها برمبنای اثرات ثابت رگرسیون کمترین مربع معمولی آزمایش شدند. داده های مربوط به سابقه ی تعداد مسافران در چارچوبی در یک پروژه ارائه شده اند که بر اثری که خط متروی جدید بر تعداد مسافران داشت، تمرکز می کرد. نتایج نشان می دهد که پیش بینی های انجام شده توسط مدل شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار، بهترین عملکرد را داشت و این یافته حاکی از آن است که چارچوب پیشنهادی را می توان در اپلیکیشن هایی به کار برد که مستلزم مدلسازی دقیق تقاضا برای سیستم حمل و نقل عمومی هستند. فرآیند افزایش توصیفی شبکه های عصبی پیچشی-حافظه ی کوتاه مدت ماندگار متوالی را می توان برای معرفی متغیرهای برونزا در این مدل استفاده کرد. این متغیرها موجب می شوند که این مدل در محیط های زندگی واقعی قابلیت تبیین و پابرجایی بیشتری داشته باشد.
