Therefore, we learn the Bayesian ne

Therefore, we learn the Bayesian network
structure and estimate the corresponding set of conditional
probability tables from the GPS track data collected in a
smartphone-based travel survey. Subsequently, the travel modes
are automated on the basis of the resulting Bayesian network.
We additionally improve the classifier using the confusion matrix
derived from the original classifier by introducing two targeted
variables. It is expected that a promising accuracy can be achieved
for mode detection and that our study of GPS travel surveys will
provide an opportunity to supplement traditional travel surveys.

ผลลัพธ์ (ไทย) 1:

ดังนั้น เราเรียนรู้ทฤษฎีเครือข่ายโครงสร้างและประเมินชุดแบบมีเงื่อนไขที่สอดคล้องกันตารางความน่าเป็นจาก GPS ติดตามข้อมูลที่เก็บรวบรวมในการสมาร์ทโฟนใช้เดินทางสำรวจ ในเวลาต่อมา วิธีเดินทางจะเล่นโดยอัตโนมัติโดยใช้ทฤษฎีเครือข่ายได้เราปรับปรุง classifier ใช้เมตริกซ์สับสนนอกจากนี้มา classifier เดิม โดยการแนะนำสองเป้าหมายตัวแปร คาดว่า สามารถทำได้ถูกต้องว่าการตรวจหาโหมดที่ GPS เดินทางสำรวจศึกษาเราจะให้โอกาสเสริมในแบบสำรวจ

ผลลัพธ์ (ไทย) 2:

ดังนั้นเราจึงเรียนรู้เครือข่ายแบบเบย์โครงสร้างและการประเมินชุดที่สอดคล้องกันของเงื่อนไขตารางน่าจะเป็นข้อมูลจากการติดตามจีพีเอสที่เก็บรวบรวมในการสำรวจการเดินทางของมาร์ทโฟนที่ใช้ ต่อจากนั้นเดินทางโหมดอัตโนมัติบนพื้นฐานของเครือข่ายแบบเบย์ที่เกิด. เรายังปรับปรุงการจําแนกโดยใช้เมทริกซ์ความสับสนมาจากลักษณนามเดิมโดยการแนะนำสองเป้าหมายตัวแปร เป็นที่คาดว่าถูกต้องมีแนวโน้มจะประสบความสำเร็จในการตรวจหาโหมดและการศึกษาของเราของการสำรวจการเดินทางของจีพีเอสจะให้โอกาสในการเสริมการสำรวจการเดินทางแบบดั้งเดิม

ผลลัพธ์ (ไทย) 3:

เพราะฉะนั้น เราเรียนรู้โครงสร้างเครือข่ายแบบเบย์ และประเมินชุดเดียวกัน

ความน่าจะเป็นเงื่อนไขของตารางจาก GPS ติดตามข้อมูลในการสำรวจการท่องเที่ยวตาม
มาร์ทโฟน ต่อมา , โหมด
โดยอัตโนมัติบนพื้นฐานของผลคชกรรมเครือข่าย เรายังปรับปรุงจนได้

ใช้สับสนเมทริกซ์มาจากต้นฉบับตัวโดยการแนะนำสองเป้าหมาย
ตัวแปร เป็นที่คาดว่า ความถูกต้องสัญญาสามารถบรรลุ
ตรวจหาและศึกษาโหมด GPS เดินทางสำรวจจะ
ให้โอกาสเสริมการเดินทางสำรวจแบบดั้งเดิม