Probabilistic routing using multimodal data

ردیابی و پیش بینی انسان امروزه فراگیر است. ممکن است یکپارچه سازی داده های ردیابی چندگانه انسان و داده های رسانه ای اجتماعی مبتنی بر مکان، که شامل داده های فضایی، داده های زمانی و داده های متنی، پیش بینی حرکت انسان و تشخیص ایستگاه بیش از حد پر جمعیت، و سپس برنامه ریزی مناسب اتوبوس / مسیرهای مترو برای مسافران. این مطالعه در بسیاری از برنامه های کاربردی واقعی، از جمله توصیه مسیر مسیر مناسب و خدمات مبتنی بر مکان به طور کلی مفید است. ما در این مطالعه با دو چالش مواجه هستیم: (1) نحوه استفاده از داده های ردیابی چند منبع برای مدل سازی هزینه های احتمال احتمالی بین خطوط اتوبوس / مترو مختلف عملا و (2) نحوه محاسبه مناسب مسیرهای اتوبوس / مترو. برای غلبه بر این چالش ها، مجموعه ای از معیارهای مکانی احتمالاتی را تعریف می کنیم و یک آستانه سفر زمان و آستانه هزینه انتقال آراء را پیشنهاد می دهیم. یک سری از تکنیک های بهینه سازی برای بهبود کارایی پرس و جو توسعه می یابد. ما همچنین آزمایش های گسترده ای را برای بررسی عملکرد الگوریتم های پیشنهادی انجام می دهیم.