کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
5125077 1488271 2017 7 صفحه PDF 8 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
The application of artificial intelligence in public administration for forecasting high crime risk transportation areas in urban environment
ترجمه فارسی عنوان
کاربرد هوش مصنوعی در مدیریت عمومی برای پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم در محیط شهری
کلمات کلیدی
هوش مصنوعی؛ شبکه های عصبی مصنوعی؛ پیش بینی جرم؛ سیستم های اطلاعات جغرافیایی؛ تجزیه و تحلیل نقطه؛ مدیریت حمل و نقل عمومی؛ خوشه فضایی؛ ایمنی حمل و نقل؛ محیط شهری؛
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2. پیشینه ی نظری 

1.2. سیستم های اطلاعات جغرافیایی

2.2. خوشه بندی فضایی 

3.2. شبکه های عصبی مصنوعی 

شکل 1. یک شبکه عصبی پیش نگر نوعی. I1,I2, …,In  جزء مقادیر ورودی و Q1,Q2,…,Qn جزء مقادیر خروجی هستند.

4.2. الکوریتم گرادیان مزدوج مقیاس پذیر 

3. روش تحقیق 

شکل 2. مروری بر روش تحقیق اعمال شده 

4. نتایج 

1.4. جمع آوری و تهیه داده 

2.4. تحلیل و خوشه بندی فضایی 

3.4. مدل های پیش بینی شبکه عصبی مصنوعی 

شکل 3. عملکرد آموزشی شبکه عصبی مدل بهینه براساس خطای میانگین مربعات (MSE)

4.4 پیش بینی های مربوط به مدل شبکه عصبی مطلوب 

5. بحث و نتیجه گیری 



 
ترجمه چکیده
مدیریت عمومی فناوری اطلاعات و ارتباطات را به منظور ایجاد سیستم های هوشمند جدید و طراحی استراتژی های جدید برای پیشگیری از ریسک در مدیریت حمل و نقل به کار گرفته است. هدف نهایی بهبود کیفیت خدمات حمل و نقل و همچنین تضمین امنیت حمل و نقل عمومی است. در این پژوهش، ترکیبی از روش های خوشه بندی فضایی و مدل های شبکه عصبی مصنوعی به منظور پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم مورد استفاده قرار گرفتند. سیستم های اطلاعات جغرافیایی برای انجام تحلیل فضایی به منظور شناسایی مناطق دارای تراکم بالای رویدادهای مجرمانه استفاده شدند در این مطالعه هوش مصنوعی برای ایجاد مدل های پیش بینی شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. مدل های پیش بینی شبکه عصبی با استفاده از خطای میانگین مربعات (MSE) برای یافتن مل پیش بینی بهینه ارزیابی شدند. مدل پیش بینی بهینه برای پیش بینی مناطق حمل و نقل دارای ریسک بالای جرائم مورد استفاده قرار گرفت. الگوریتم گرادیان مزدوج مقیاس پذیر به عنوان الگوریتم آموزشی برای ایجاد مدل های شبکه عصبی پیش نگر به کار رفت،‌ زیرا این الگوریتم به عنوان یکی از سریع ترین الگوریتم های یادگیری در مقایسه با الگوریتم های دیگر از جمله الگوریتم یادگیری پس انتشار به شمار می رود. © 2017، نویسندگان. انتشارات Elsevier B.V. بررسی همکاران تحت نظر و مسئولیت کمیته ی سازماندهی سومین CSUM 2016.
موضوعات مرتبط
علوم انسانی و اجتماعی علوم اجتماعی تحقیقات ایمنی
چکیده انگلیسی

Public administration has adopted information and communication technology in order to construct new intelligent systems and design new risk prevention strategies in transportation management. The ultimate goal is to improve the quality of the transportation services and also to ensure public transportation safety. In this research, a combination of spatial clustering methods and artificial neural network models was used in order to predict the high crime risk transportation areas. Geographic information systems were used to perform spatial analysis so as to identify the regions with a high concentration of crime incidents. Artificial intelligence was used in this study in order to build artificial neural network predictive models. The neural network predictive models were evaluated by using the Mean Squared Error (MSE) in order to find the optimal forecasting model. The optimal forecasting model was used in order to predict the high crime risk transportation areas. The scaled conjugate gradient algorithm was utilized as the training algorithm for the construction of the feedforward neural network models, since it is considered as one of the fastest learning algorithms compared to several other algorithms such as backpropagation learning algorithms.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Procedia - Volume 24, 2017, Pages 467-473
نویسندگان
,