The focus of this paper is to detec

The focus of this paper is to detect travel modes from GPS track
data. Rule-based algorithms (Chen, Gong, Lawson, & Bialostozky,
2010; Gong, Chen, Bialostozky, & Lawson, 2012; Stopher, Jiang, &
FitzGerald, 2005) and advanced classification methods (Kusakabe
& Asakura, 2014) are two types of commonly used approaches
for travel mode detection. While rule-based algorithms are easily
understandable and applicable, they struggle with low generalizability,
i.e., the rules obtained from one case can only be generalized
to another to a low extent, especially when the prediction of
travel modes is within a city context where the specific rules are
trained with data retrieved from another city. Zheng, Chen, Li,
Xie, and Ma (2010) retrieved anonymous GPS data from 65 respondents
for up to 10 months and applied decision trees to properly
assign 75.6% of trips with the correct travel mode. Then, Rudloff
and Ray (2010) divided 792 trajectories into training and test samples
(70–30%) and employed a multilayer perceptron to correctly
detect travel modes for 82.70% of trips. Afterwards, Bolbol,
Cheng, Tsapakis, and Haworth (2012) examined the selection of
variables and used a framework based on a support vector machine
to achieve a promising accuracy of 88% for travel mode detection. A
recent study by Broach, McNeil, and Dill (2014) employed multinomial
logit models to distinguish between walk, bike, car and bus
modes and correctly flagged about 90% of trips.

ผลลัพธ์ (ไทย) 1:

จุดเน้นของกระดาษนี้จะตรวจหาโหมดการเดินทางจากจีพีเอสติดตามข้อมูล ตามกฎอัลกอริทึม (Chen ฆ้อง ลอว์สัน & Bialostozky2010 ฆ้อง เฉิน Bialostozky และลอว์ สัน 2012 Stopher เจียง &ห้อง 2005) และขั้นสูงวิธีการจัดประเภท (ซาคะเบะและอาซากุระ 2014) อยู่สองชนิดของวิธีที่ใช้กันทั่วไปในโหมดการตรวจ ในขณะที่อัลกอริทึมตามกฎง่าย ๆเข้าใจ และสามารถใช้ได้ พวกเขาต่อสู้ต่ำ generalizabilityเช่น กฎที่ได้รับจากกรณีหนึ่งสามารถเท่านั้นสามารถตั้งค่าทั่วไปไปยังอีกระดับต่ำ โดยเฉพาะอย่างยิ่งเมื่อคำทำนายของวิธีการเดินทางเป็นภายในบริบทการเมืองที่เป็นกฎเฉพาะฝึกอบรมกับข้อมูลที่ดึงมาจากเมืองอื่น เจิ้ง เฉิน หลี่เจีย และ Ma (2010) ดึงข้อมูล GPS ที่ไม่ระบุชื่อจากผู้ตอบที่ 65ถึง 10 เดือนและตัดสินใจใช้ต้นไม้ให้เหมาะสมกำหนด 75.6% เดินทางด้วยวิธีการเดินทางที่ถูกต้อง แล้ว Rudloffและเรย์ (2010) แบ่ง 792 trajectories ตัวอย่างฝึกอบรมและทดสอบ(70-30%) และลูกจ้างเพอร์เซปตรอนหลายชั้นให้ถูกต้องตรวจหาโหมด 82.70% เดินทางท่องเที่ยว ภายหลัง Bolbolตรวจสอบการเลือกของเฉิง Tsapakis และแฮร์เวิร์ด (2012)ตัวแปร และใช้กรอบยึดเครื่องเวกเตอร์สนับสนุนเพื่อให้เกิดความแม่นยำว่า 88% ในโหมดตรวจ Aก็ตามการศึกษา ทาง Broach, McNeil ผักชีลาว (2014) ลูกจ้างล่าสุดแบบจำลอง logit เพื่อแยกระหว่างเดินเท้า จักรยาน รถยนต์ และรถวิธีการ และค่าสถานะถูกต้องประมาณ 90% ของการเดินทาง

ผลลัพธ์ (ไทย) 2:

ความสำคัญของงานวิจัยนี้คือการตรวจสอบรูปแบบการเดินทางจากจีพีเอสติดตามข้อมูล ขั้นตอนวิธีการตามกฎ (เฉินกง, ลอว์สันและ Bialostozky,
2010; กง, เฉิน Bialostozky และลอว์สัน, 2012; Stopher
เจียงและฟิตซ์เจอรัลด์, 2005) และวิธีการจัดหมวดหมู่ขั้นสูง (Kusakabe
และอาซาคุระ, 2014) เป็นสองประเภท
วิธีการที่ใช้กันทั่วไปของการตรวจหาโหมดการเดินทาง ในขณะที่ตามกฎขั้นตอนวิธีการได้อย่างง่ายดายเข้าใจและบังคับพวกเขาต่อสู้กับ generalizability ต่ำเช่นกฎระเบียบที่ได้รับจากกรณีหนึ่งเท่านั้นที่สามารถทั่วไปไปยังอีกในระดับต่ำโดยเฉพาะอย่างยิ่งเมื่อมีการคาดการณ์ของโหมดการเดินทางในบริบทเมืองที่กฎที่เฉพาะเจาะจงได้รับการฝึกอบรมที่มีข้อมูลที่ดึงมาจากเมืองอื่น เจิ้งเฉินหลี่, Xie และแม่ (2010) ดึงข้อมูล GPS ไม่ระบุชื่อจาก 65 ผู้ตอบแบบสอบถามถึง10 เดือนและนำไปใช้ในการตัดสินใจต้นไม้ที่จะต้องกำหนด75.6% ของการเดินทางกับโหมดการเดินทางที่ถูกต้อง จากนั้น Rudloff และเรย์ (2010) แบ่งออก 792 ลูกทีมในการฝึกอบรมและทดสอบตัวอย่าง(70-30%) และลูกจ้างหลาย Perceptron อย่างถูกต้องตรวจสอบรูปแบบการเดินทางสำหรับ82.70% ของการเดินทาง หลังจากนั้น Bolbol, เฉิง Tsapakis และเวิร์ ธ (2012) ตรวจสอบการเลือกตัวแปรและใช้กรอบการทำงานอยู่บนพื้นฐานของการสนับสนุนเครื่องเวกเตอร์เพื่อให้เกิดความถูกต้องมีแนวโน้มของ88% สำหรับการตรวจสอบโหมดการเดินทาง การศึกษาล่าสุดโดยทาบทามแมคนีลและดิลล์ (2014) การจ้างงานพหุรุ่นlogit ที่จะแยกแยะระหว่างเดินจักรยานรถยนต์และรถบัสโหมดและทำเครื่องหมายอย่างถูกต้องประมาณ90% ของการเดินทาง

ผลลัพธ์ (ไทย) 3:

โฟกัสของบทความนี้คือการตรวจสอบโหมดเดินทางจาก GPS ติดตาม
ข้อมูล ใช้กฎอัลกอริทึม ( เฉินกง ลอว์สัน & bialostozky
, 2010 ; กง เฉิน bialostozky &ลอว์สัน , 2012 ; สตอเฟอร์ , เจียง&
ฟิตซ์เจอรัลด์ , 2005 ) และวิธีการจำแนกขั้นสูง ( คุซาคาเบะ
&อาซากุระ ปี 2014 ) สองชนิดที่ใช้กันทั่วไปเพื่อตรวจหาแนว
โหมดการเดินทาง ในขณะที่กฎอัลกอริทึมได้อย่างง่ายดาย
เข้าใจและใช้มันต่อสู้กับวิชาต่ำ
คือ กฎที่ได้จากอีกกรณีหนึ่งสามารถ generalized
ไปอีกในระดับต่ำ โดยเฉพาะอย่างยิ่งเมื่อการคาดการณ์
โหมดเดินทางภายในเมืองบริบทที่กฎเฉพาะ
ฝึกด้วยข้อมูลที่ดึงมาจากเมืองอื่น เจิ้งเฉินหลี่
เซี่ย และ MA ( 2010 ) ดึงข้อมูลจาก GPS ที่ไม่ระบุชื่อผู้ตอบ
65นานถึง 10 เดือน และใช้ในการตัดสินใจได้อย่างถูกต้องกำหนดต้นไม้
75.6 % เดินทางด้วยโหมดเดินทางที่ถูกต้อง แล้ว rudloff
และเรย์ ( 2010 ) แบ่ง 792 วิถีในการฝึกอบรมและทดสอบตัวอย่าง
( 70 - 30 % ) และใช้เพอร์เซปตรอนหลายได้อย่างถูกต้อง
ตรวจสอบโหมดการเดินทางสำหรับ 82.70 บาทเดินทาง หลังจากนั้น bolbol
, เฉิง tsapakis และ Haworth ( 2012 ) ตรวจสอบการเลือกของ
ตัวแปรและใช้กรอบยึดเครื่องเวกเตอร์สนับสนุน
บรรลุสัญญาเพื่อตรวจสอบความถูกต้องของ 88% โหมดการเดินทาง a
การศึกษาล่าสุดโดยเสนอ McNeil , และผักชีฝรั่ง ( 2014 ) ในแบบจำลองโลจิตโดย
เพื่อแยกแยะระหว่างเดิน , จักรยาน , รถและโหมดรถบัส
และถูกต้องตั้งข้อสังเกตุเกี่ยวกับ 90% ของการเดินทาง