In general, our algorithm is a supe

In general, our algorithm is a supervised learning mechanism with
two stages. In stage 1 (learning stage), the data from the GPS
sensor report is merged with the transportation network data and
labeled ground truth. This data is used to create a classification
feature set that we use to train our classification model. In this
stage, mobile devices submit GPS sensor reports every t seconds,
where t is a system parameter. These incoming sensor reports are
labeled with the corresponding transportation modes

ผลลัพธ์ (ไทย) 1:

ทั่วไป อัลกอริทึมของเรามีกลไกมีเรียนด้วยสองขั้นตอน ในระยะ 1 (ขั้นการเรียนรู้), ข้อมูลจาก GPSเซนเซอร์รายงานรวมกับข้อมูลเครือข่ายการขนส่ง และชื่อจริงดิน ข้อมูลนี้ถูกใช้เพื่อสร้างการจัดประเภทคุณลักษณะการตั้งค่าที่เราใช้ในการรถไฟจำลองของเราจัดประเภท ในที่นี้ระยะ อุปกรณ์มือถือส่ง GPS เซ็นเซอร์รายงานทุกวินาทีที่ tที่ t เป็นพารามิเตอร์ระบบ รายงานเหล่านี้เซ็นเซอร์เข้ามาติดป้าย ด้วยวิธีการขนส่งที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 2:

โดยทั่วไปขั้นตอนวิธีการของเราเป็นกลไกการเรียนรู้ภายใต้การดูแลที่มีสองขั้นตอน
ในขั้นตอนที่ 1 (ขั้นตอนการเรียนรู้)
ข้อมูลจากจีพีเอสรายงานเซ็นเซอร์จะถูกรวมกับข้อมูลเครือข่ายการขนส่งและการติดป้ายชื่อจริงพื้นดิน
ข้อมูลนี้จะถูกใช้ในการสร้างการจัดหมวดหมู่ชุดคุณลักษณะที่เราใช้ในการฝึกอบรมรูปแบบการจัดหมวดหมู่ของเรา
ในการนี้เวทีโทรศัพท์มือถือส่งรายงานเซ็นเซอร์จีพีเอทีทุกวินาทีที่ไม่เป็นระบบพารามิเตอร์ เหล่านี้รายงานเซ็นเซอร์ที่เข้ามาจะถูกกำกับด้วยโหมดการขนส่งที่เกี่ยวข้อง

ผลลัพธ์ (ไทย) 3:

โดยทั่วไปขั้นตอนวิธีของเราคือการเรียนรู้แบบ Supervised Learning กับกลไก
2 ขั้นตอน ในขั้นที่ 1 ( การเรียนรู้เวที ) , ข้อมูลจาก GPS
เซนเซอร์รายงานผสานกับเครือข่ายการขนส่งข้อมูลและ
ป้ายจริงพื้น ข้อมูลนี้จะถูกใช้เพื่อสร้างหมวดหมู่
ชุดคุณลักษณะที่เราใช้โมเดลรถไฟหมวดหมู่ของเรา ในขั้นตอนนี้
, อุปกรณ์มือถือส่ง GPS Sensor รายงานทุก
T วินาทีที่ไม่ได้เป็นระบบพารามิเตอร์ เซ็นเซอร์เหล่านี้เข้ามารายงาน
ป้ายกับโหมดการขนส่งที่เกี่ยวข้อง