Over the past couple of decades, th

Over the past couple of decades, there has been an exponential increase in the collection of large-scale
GPS data from household/personal travel surveys all over the world. A range of algorithms, which vary
from specific rules to advanced machine learning methods, have been applied to extract travel modes
from raw GPS data collected by smartphone-based travel surveys. However, most of the methods applied
neither describe the interaction between features influencing the travel mode decision nor effectively
deal with the ambiguity inherently incorporated in these features. This paper identifies travel modes with
a Bayesian network, whose structure is established based on a K2 algorithm and corresponding conditional
probability tables are estimated with maximum likelihood methods. Five representative travel
modes – walk, bike, e-bike, bus and car – are distinguished using the resulting Bayesian network.
Additionally, the low speed rate and the average heading change are introduced to reduce uncertainties
between bike and e-bike segments and between bus and car segments. The derived travel modes are then
compared with those retrieved in the prompted recall survey by telephones. Consequently, more than
86% of segments have the travel mode correctly identified for each travel mode, with over 97% of walk
segments being properly flagged. Results from the study demonstrate that GPS travel surveys provide
an opportunity to supplement traditional travel surveys.

ผลลัพธ์ (ไทย) 1:

กว่าสองทศวรรษที่ผ่านมา มีการเพิ่มชุดของขนาดใหญ่เนนข้อมูล GPS จากครัวเรือนส่วนตัวเดินทางสำรวจโลก ช่วงของอัลกอริทึม ซึ่งแตกต่างกันไปจากกฎเฉพาะเครื่องขั้นสูงวิธีการเรียนรู้ การใช้แยกโหมดการเดินทางจากข้อมูลจีพีเอสดิบที่เก็บรวบรวม โดยใช้สมาร์ทโฟนเดินทางสำรวจ อย่างไรก็ตาม ที่สุดของวิธีการใช้ไม่อธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีอิทธิพลต่อการตัดสินใจในโหมด ไม่มีประสิทธิภาพเรื่องย่อความรวมในคุณลักษณะเหล่านี้ เอกสารนี้ระบุวิธีการเดินทางด้วยทฤษฎีเครือข่าย โครงสร้างจัดตั้งขึ้นตามอัลกอริทึมของ K2 และมีเงื่อนไขที่สอดคล้องกันมีประเมินความน่าเป็นตาราง ด้วยวิธีความเป็นไปได้สูงสุด ในห้าตัวแทนโหมดเดิน จักรยาน e-จักรยาน รถบัส และรถ – จะแตกต่างโดยใช้ทฤษฎีเครือข่ายได้นอกจากนี้ การนำมาใช้เพื่อลดความไม่แน่นอนเปลี่ยนหัวเฉลี่ยและอัตราความเร็วต่ำส่วน e-จักรยานและจักรยาน และ ระหว่างรถโดยสารและรถยนต์เซ็กเมนต์ วิธีการเดินทางที่ได้รับอยู่แล้วเปรียบเทียบกับข้อมูลที่ดึงมาในแบบสำรวจให้เรียกคืน โดยโทรศัพท์ จึง กว่า86% ของเซ็กเมนต์มีโหมดเดินทางที่ระบุไม่ถูกต้องสำหรับโหมดการเดินทางแต่ละ กว่า 97% ของการเดินเซกเมนต์ถูกตั้งค่าสถานะอย่างถูกต้อง ผลจากการศึกษาแสดงให้เห็นว่า จีพีเอสเดินทางสำรวจมีโอกาสเสริมดั้งเดิมเดินทางสำรวจ

ผลลัพธ์ (ไทย) 2:

ในช่วงสองสามทศวรรษที่ผ่านมาได้มีการเพิ่มขึ้นชี้แจงในการเก็บของขนาดใหญ่ข้อมูลจากจีพีเอสที่ใช้ในครัวเรือน / การสำรวจการเดินทางส่วนบุคคลทั่วทุกมุมโลก
ช่วงของขั้นตอนวิธีการที่แตกต่างกันจากกฎที่เฉพาะเจาะจงไปยังเครื่องที่ทันสมัยวิธีการเรียนรู้ได้ถูกนำมาใช้ในการสกัดโหมดเดินทางจากข้อมูลGPS ดิบที่เก็บรวบรวมโดยการสำรวจการเดินทางของมาร์ทโฟนที่ใช้ แต่ส่วนใหญ่ของวิธีการที่นำมาใช้ไม่อธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีอิทธิพลต่อการตัดสินใจของโหมดการเดินทางหรือได้อย่างมีประสิทธิภาพจัดการกับความคลุมเครือนิติบุคคลที่จัดตั้งขึ้นโดยเนื้อแท้ในคุณสมบัติเหล่านี้ กระดาษนี้จะระบุรูปแบบการท่องเที่ยวที่มีเครือข่ายแบบเบย์ที่มีโครงสร้างที่มีการจัดตั้งขึ้นอยู่กับขั้นตอนวิธีการที่สอดคล้องกัน K2 และเงื่อนไขตารางน่าจะอยู่ที่ประมาณด้วยวิธีโอกาสสูงสุด ห้าเดินทางตัวแทนโหมด - เดินจักรยาน e- จักรยานรถบัสและรถ - มีความโดดเด่นโดยใช้เครือข่ายแบบเบย์ที่เกิดขึ้น. นอกจากนี้อัตราความเร็วต่ำและการเปลี่ยนแปลงหัวข้อเฉลี่ยจะนำไปลดความไม่แน่นอนระหว่างจักรยานและกลุ่มอีจักรยานและระหว่างรถบัสและกลุ่มรถยนต์ โหมดการเดินทางมาแล้วเมื่อเทียบกับผู้ที่ดึงมาในการสำรวจการเรียกคืนได้รับแจ้งจากโทรศัพท์ ดังนั้นมากกว่า86% ของกลุ่มมีโหมดการเดินทางที่ระบุได้อย่างถูกต้องสำหรับโหมดการเดินทางในแต่ละครั้งที่มีมากกว่า 97% ของการเดินส่วนถูกทำอย่างถูกต้อง ผลจากการศึกษาแสดงให้เห็นว่าการสำรวจการเดินทางของจีพีเอสให้โอกาสที่จะเสริมการสำรวจการเดินทางแบบดั้งเดิม

ผลลัพธ์ (ไทย) 3:

กว่าสองสามทศวรรษที่ผ่านมามีการเพิ่มขึ้นชี้แจงในคอลเลกชันขนาดใหญ่ของข้อมูล GPS จากครัวเรือน /
ส่วนตัวเดินทางสำรวจไปทั่วโลก ช่วงของขั้นตอนวิธีที่แตกต่างกัน
จากกฎเฉพาะสำหรับเครื่องขั้นสูงวิธีการเรียน มีการใช้สารสกัดจากวัตถุดิบที่โหมด
GPS ข้อมูลจากมาร์ทโฟนที่ใช้สำรวจท่องเที่ยว อย่างไรก็ตามส่วนใหญ่ใช้วิธีประยุกต์
ไม่อธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีผลต่อการตัดสินใจเดินทางโหมด หรือมีประสิทธิภาพ
จัดการกับความกำกวมโดยเนื้อแท้รวมอยู่ในคุณสมบัติเหล่านี้ กระดาษนี้จะระบุโหมดเดินทางกับ
เครือข่ายเบย์ ซึ่งมีโครงสร้างที่จัดตั้งขึ้นบนพื้นฐานของขั้นตอนวิธีและสอดคล้องตามเงื่อนไข
2ตารางความน่าจะเป็นที่มีการประมาณด้วยวิธีความควรจะเป็นสูงสุด 5 ตัวแทนท่องเที่ยว
โหมด–เดิน , จักรยาน , e - จักรยาน รถบัส และรถที่มีความโดดเด่นและใช้ผลคชกรรมเครือข่าย
นอกจากนี้ ความเร็วต่ำและอัตราเฉลี่ยจะเปลี่ยนเป็นแนะนำเพื่อลดความไม่แน่นอน
ระหว่างจักรยานและ e - จักรยานกลุ่มและระหว่างกลุ่ม รถบัสและรถ 2 โหมดแล้ว
เมื่อเปรียบเทียบกับผู้เรียกดูในแจ้งเรียกคืนการสำรวจโดยโทรศัพท์ จากนั้น มากกว่า
86 % ของกลุ่มมีโหมดการเดินทางได้อย่างถูกต้องระบุสำหรับแต่ละโหมดการเดินทาง กว่า 97% ของกลุ่มเดิน
อย่างถูกต้องตั้ง . ผลจากการศึกษาแสดงให้เห็นว่า GPS เดินทางสำรวจให้
โอกาสเสริมการเดินทางสำรวจแบบดั้งเดิม