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 มีการเพิ่มเนนในคอลเลกชันขนาดใหญ่ข้อมูล GPS จากครัวเรือนส่วนตัวเดินทางสำรวจโลก ช่วงของอัลกอริทึม ซึ่งแตกต่างจากกฎเฉพาะเครื่องขั้นสูงวิธีการเรียนรู้ มีถูกใช้แยกโหมดการเดินทางจาก GPS ข้อมูลดิบที่เก็บรวบรวม โดยใช้สมาร์ทโฟนในการสำรวจ อย่างไรก็ตาม ส่วนใหญ่ใช้วิธีไม่อธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีอิทธิพลต่อการตัดสินใจในโหมด หรือเรื่องย่อความรวมในคุณลักษณะเหล่านี้ได้อย่างมีประสิทธิภาพ เอกสารนี้ระบุวิธีการเดินทางกับทฤษฎีเครือข่าย สร้างโครงสร้างที่มีอัลกอริทึม K2 และความน่าเป็นแบบมีเงื่อนไขที่สอดคล้องกันที่ตารางจะประเมิน ด้วยวิธีความเป็นไปได้สูงสุด โหมดเดินทางพนักงานห้า –เดิน จักรยาน e-จักรยาน รถบัส และรถยนต์ – มีโดดเด่นโดยใช้ทฤษฎีเครือข่ายได้ นอกจากนี้ อัตราความเร็วต่ำและการเปลี่ยนแปลงหัวข้อเฉลี่ยมีการแนะนำเพื่อลดความไม่แน่นอน ระหว่างส่วน e-จักรยานและจักรยาน และ ระหว่างรถโดยสารและรถยนต์เซ็กเมนต์ วิธีการเดินทางที่ได้รับแล้วเมื่อเทียบกับเรียกข้อมูลในแบบสำรวจให้เรียกคืน โดยโทรศัพท์ จึง กว่า 86% ของเซ็กเมนต์มีโหมดเดินทางที่ระบุไม่ถูกต้องสำหรับโหมดการเดินทางแต่ละ กว่า 97% ของเซ็กเมนต์เดินถูกตั้งค่าสถานะอย่างถูกต้อง ผลจากการศึกษาแสดงให้เห็นว่า จีพีเอสเดินทางสำรวจโอกาสเสริมในแบบสำรวจ

ผลลัพธ์ (ไทย) 2:

ในช่วงสองสามทศวรรษที่ผ่านมาได้มีการเพิ่มขึ้นชี้แจงในการเก็บรวบรวมข้อมูลจีพีเอสขนาดใหญ่จากของใช้ในครัวเรือน / การสำรวจการเดินทางส่วนบุคคลทั่วโลก ช่วงของขั้นตอนวิธีการที่แตกต่างจากกฎที่เฉพาะเจาะจงไปยังเครื่องที่ทันสมัย​​วิธีการเรียนรู้ได้ถูกนำมาใช้ในการสกัดโหมดเดินทางจากข้อมูล GPS ดิบที่เก็บรวบรวมโดยการสำรวจการเดินทางของมาร์ทโฟนที่ใช้ แต่ส่วนใหญ่ของวิธีการที่นำมาใช้ไม่อธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีอิทธิพลต่อการตัดสินใจของโหมดการเดินทางหรือได้อย่างมีประสิทธิภาพจัดการกับความคลุมเครือนิติบุคคลที่จัดตั้งขึ้นโดยเนื้อแท้ในคุณสมบัติเหล่านี้ กระดาษนี้จะระบุรูปแบบการเดินทางที่มีเครือข่ายแบบเบย์ที่มีโครงสร้างที่มีการจัดตั้งขึ้นอยู่กับขั้นตอนวิธีการที่สอดคล้องกันและ K2 ตารางน่าจะเป็นเงื่อนไขจะมีการประเมินด้วยวิธีโอกาสสูงสุด ห้าโหมดเดินทางตัวแทน - เดินจักรยาน e- จักรยานรถบัสและรถ - มีความโดดเด่นโดยใช้เครือข่ายแบบเบย์ส่งผลให้ นอกจากนี้อัตราความเร็วต่ำและการเปลี่ยนแปลงหัวข้อเฉลี่ยจะนำไปลดความไม่แน่นอนระหว่างจักรยานและกลุ่มอีระหว่างจักรยานและรถบัสและกลุ่มรถยนต์ โหมดการเดินทางมาแล้วเมื่อเทียบกับผู้ที่ดึงมาในการสำรวจการเรียกคืนได้รับแจ้งจากโทรศัพท์ ดังนั้นมากกว่า 86% ของกลุ่มมีโหมดการเดินทางที่ระบุได้อย่างถูกต้องสำหรับโหมดการเดินทางในแต่ละครั้งที่มีมากกว่า 97% ของกลุ่มเดินเท้าถูกทำอย่างถูกต้อง ผลจากการศึกษาแสดงให้เห็นว่าการสำรวจการเดินทางของจีพีเอสให้โอกาสในการเสริมการสำรวจการเดินทางแบบดั้งเดิม

ผลลัพธ์ (ไทย) 3:

กว่าสองสามทศวรรษที่ผ่านมามีการเพิ่มขึ้นชี้แจงในคอลเลกชันขนาดใหญ่ของข้อมูล GPS จากครัวเรือน / ส่วนตัวเดินทางสำรวจไปทั่วโลก ช่วงของขั้นตอนวิธี ซึ่งแตกต่างจากกฎที่เฉพาะเจาะจงไปยังเครื่องขั้นสูงวิธีการเรียน มีการใช้สารสกัดจากวัตถุดิบที่โหมดการเดินทาง GPS ข้อมูลจากมาร์ทโฟนที่ใช้สำรวจท่องเที่ยว อย่างไรก็ตามที่สุดของวิธีการประยุกต์ใช้และอธิบายปฏิสัมพันธ์ระหว่างคุณลักษณะที่มีผลต่อการตัดสินใจเดินทางโหมด หรือ ได้อย่างมีประสิทธิภาพจัดการกับความคลุมเครืออาจรวมอยู่ในคุณสมบัติเหล่านี้ กระดาษนี้จะระบุโหมดเดินทาง ด้วยเครือข่ายเบย์ซึ่งมีโครงสร้างที่จัดตั้งขึ้นบนพื้นฐานที่สอดคล้องเงื่อนไขความน่าจะเป็น K2 ขั้นตอนวิธีและตารางประมาณการด้วยวิธีความควรจะเป็นสูงสุด ตัวแทนท่องเที่ยว–ห้าโหมดเดิน , จักรยาน , e - จักรยาน รถบัส และรถที่มีความโดดเด่นและใช้ผลคชกรรมเครือข่าย นอกจากนี้ที่ความเร็วต่ำและอัตราเฉลี่ยจะเปลี่ยนเป็นแนะนำเพื่อลดความไม่แน่นอนระหว่างจักรยานและ e - จักรยานกลุ่มและระหว่างกลุ่ม รถบัสและรถ 2 โหมดแล้วเทียบกับผู้เรียกดูในแจ้งเรียกคืนการสำรวจโดยโทรศัพท์ ดังนั้น กว่าร้อยละ 86 ของกลุ่มมีโหมดการเดินทางได้อย่างถูกต้องระบุสำหรับแต่ละโหมดการเดินทางกว่า 97% ของกลุ่มเดินอย่างถูกต้องตั้ง . ผลจากการศึกษาแสดงให้เห็นว่า GPS เดินทางสำรวจให้โอกาสเสริมการเดินทางสำรวจแบบดั้งเดิม