From the perspective of transportat

From the perspective of transportation planners, the Seoul metropolitan area is equipped with the world’s best transit fare
collection system. This system recognizes every passenger’s origin, transfers, and destination stops (or stations) aswell as providing
exact time stamps. However, smart-card data will not replace conventional household surveys until the trip purpose can be
identified in a reliable manner. In this regard, the present study proposed a robust methodology to impute activities for smartcard
data by using a continuous hidden Markov model (CHMM). The model uses unsupervised machine-learning technology
that requires no labeled data for training. When imputing the purpose, destination, or mode of GPS-based location data, many
researchers have utilized various mathematical models that require a calibration procedure (Yang et al., 2010; Moiseeva et al.,
2010; Allahviranloo and Recker 2013a, 2013b; Lu et al., 2013; Reumers et al., 2013; Liu et al., 2013), which computer scientists
regard as supervised machine-learning technology. Furthermore, prompted-recall surveys have been a mainstream tool to obtain
labeled data for calibrating and validating supervised imputation models (Feng and Timmermans, 2014; Giaimo et al. 2010;
Greaves et al., 2010). Such surveys present the most probable activity to respondents and then ask them to check the correctness
and to fill in the details of the true activity, all of which is usually conducted using a portable electronic device. The present study
instead adopted an unsupervised model to recognize hidden activities behind a smart-card holder’s trip chain.
The proposed unsupervisedmodel incorporated two critical tasks in imputing activities of smart-card data. That is, clustering
activities was done simultaneously with deriving both membership probabilities for each cluster and transition probabilities

ผลลัพธ์ (ไทย) 1:

จากมุมมองของผู้วางแผนการขนส่ง นครโซลพร้อมค่าโดยสารขนส่งดีที่สุดในโลกระบบเรียกเก็บเงิน ระบบนี้รู้จักผู้โดยสารทุก โอนย้าย และประเทศหยุด (หรือสถานี) aswell เป็นการให้เวลาที่แน่นอนลง อย่างไรก็ตาม ข้อมูลสมาร์ทการ์ดจะแทนการสำรวจครัวเรือนทั่วไปจนกว่าเป็นวัตถุประสงค์การเดินทางระบุในลักษณะที่เชื่อถือได้ ในการนี้ การศึกษานำเสนอเป็นวิธีการที่แข็งแกร่ง impute กิจกรรมสำหรับสมาร์ทการ์ดข้อมูล โดยใช้แบบต่อเนื่องซ่อน Markov จำลอง (CHMM) แบบใช้เทคโนโลยีเครื่องจักรเรียนรู้ unsupervisedที่ต้องไม่มีข้อมูลป้ายสำหรับฝึกอบรม เมื่อ imputing วัตถุประสงค์ ปลายทาง หรือโหมดข้อมูลตำแหน่งจาก GPS มากนักวิจัยได้ใช้แบบจำลองทางคณิตศาสตร์ต่าง ๆ ที่ต้องใช้กระบวนการสอบเทียบ (Yang et al., 2010 Moiseeva et al.,2010 Allahviranloo และ Recker 2013a, 2013b Lu et al., 2013 Reumers et al., 2013 หลิวและ al., 2013), นักวิทยาศาสตร์คอมพิวเตอร์ที่พิจารณาว่ามีเครื่องเรียนรู้เทคโนโลยี นอกจากนี้ เรียกคืนให้สำรวจมีเครื่องมือหลักในการรับข้อมูลป้ายสำหรับปรับเทียบ และตรวจสอบรุ่น imputation มี (เฟิงและเมอร์แมนส์ 2014 Giaimo et al. 2010Greaves et al., 2010) นำเสนอกิจกรรมที่สุดน่าเป็นผู้ตอบแบบสำรวจดังกล่าว และขอให้ตรวจสอบความถูกต้องและต้องกรอกรายละเอียดของกิจกรรมจริง ที่จะมักจะดำเนินการโดยใช้อุปกรณ์อิเล็กทรอนิกส์แบบพกพา การศึกษาปัจจุบันinstead adopted an unsupervised model to recognize hidden activities behind a smart-card holder’s trip chain.The proposed unsupervisedmodel incorporated two critical tasks in imputing activities of smart-card data. That is, clusteringactivities was done simultaneously with deriving both membership probabilities for each cluster and transition probabilities

ผลลัพธ์ (ไทย) 2:

จากมุมมองของนักวางแผนการขนส่งเขตเมืองโซลเป็นอุปกรณ์ที่มีค่าโดยสารการขนส่งที่ดีที่สุดในโลกของระบบการจัดเก็บ ระบบนี้ถือเป็นจุดเริ่มต้นของผู้โดยสารทุกการถ่ายโอนและปลายทางหยุด (หรือสถานี)
ยังรวมไปถึงการให้แสตมป์เวลาที่แน่นอน
อย่างไรก็ตามข้อมูลสมาร์ทการ์ดจะไม่แทนที่การสำรวจครัวเรือนทั่วไปจนถึงจุดประสงค์การเดินทางสามารถที่ระบุไว้ในลักษณะที่เชื่อถือได้ ในการนี้การศึกษานี้เสนอวิธีการที่มีประสิทธิภาพเพื่อใส่ร้ายกิจกรรมสำหรับมาร์ทการ์ดข้อมูลโดยใช้รูปแบบมาร์คอฟอย่างต่อเนื่องที่ซ่อน (CHMM) รูปแบบการใช้เทคโนโลยีการเรียนรู้ใกล้ชิดเครื่องที่ไม่จำเป็นต้องมีข้อมูลที่มีข้อความสำหรับการฝึกอบรม เมื่อ imputing วัตถุประสงค์ปลายทางหรือโหมดของข้อมูลตำแหน่ง GPS ที่ใช้หลายนักวิจัยได้ใช้แบบจำลองทางคณิตศาสตร์ต่างๆที่จำเป็นต้องมีขั้นตอนการสอบเทียบ(Yang et al, 2010;. Moiseeva, et al. 2010; Allahviranloo และ Recker 2013a, 2013b; Lu et al, 2013;. Reumers et al, 2013;. หลิว et al, 2013) ซึ่งนักวิทยาศาสตร์คอมพิวเตอร์. ถือว่าเป็นเทคโนโลยีภายใต้การดูแลเครื่องการเรียนรู้ นอกจากนี้การสำรวจได้รับแจ้ง-เรียกคืนได้รับเครื่องมือที่สำคัญที่จะได้รับข้อมูลที่มีข้อความสำหรับการสอบเทียบและการตรวจสอบรูปแบบการใส่ร้ายภายใต้การดูแล (ฮและ Timmermans 2014; Giaimo et al, 2010;.. นับ et al, 2010) การสำรวจดังกล่าวนำเสนอกิจกรรมที่น่าจะเป็นมากที่สุดในการตอบแบบสอบถามและจากนั้นขอให้ตรวจสอบความถูกต้องและเพื่อกรอกรายละเอียดของกิจกรรมที่แท้จริงซึ่งทั้งหมดจะดำเนินการมักจะใช้อุปกรณ์อิเล็กทรอนิกส์แบบพกพา การศึกษาครั้งนี้แทนที่จะนำมาใช้ในรูปแบบที่ใกล้ชิดที่จะรับรู้กิจกรรมที่ซ่อนอยู่เบื้องหลังห่วงโซ่การเดินทางถือสมาร์ทการ์ด. unsupervisedmodel เสนอจัดตั้งขึ้นสองงานที่สำคัญในการ imputing กิจกรรมของข้อมูลสมาร์ทการ์ด นั่นคือการจัดกลุ่มกิจกรรมได้ทำพร้อมกันกับการสืบทั้งสองน่าจะเป็นสมาชิกของแต่ละกลุ่มและความน่าจะเป็นการเปลี่ยนแปลง