کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4947328 | 1439574 | 2017 | 7 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Probabilistic routing using multimodal data
ترجمه فارسی عنوان
مسیریابی احتمالی با استفاده از داده های چندجمله ای
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
داده های چندجمله ای، مسیریابی احتمالی، هزینه انتقال، پردازش پرس و جو، شبکه های حمل و نقل عمومی،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Human tracking and prediction are pervasive nowadays. It is possible to integrate multi-source human tracking data and location based social media data, which includes spatial data, temporal data, and textual data, to make human-mobility prediction and over-crowded station detection, and then to plan convenient bus/subway routes for passengers. This study is useful in many real applications, including convenient travel route recommendation and location based services in general. We face two challenges in this study: (1) how to use multi-source human tracking data to model probabilistic transfer cost between different bus/subway lines practically, and (2) how to compute convenient bus/subway routes efficiently. To overcome these challenges, we define a set of probabilistic spatial metrics and propose a travel-time threshold and a transfer-cost threshold convenient route planning queries. A series of optimization techniques are developed to enhance the query efficiency. We also conduct extensive experiments to verify the performance of the proposed algorithms.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 253, 30 August 2017, Pages 49-55
Journal: Neurocomputing - Volume 253, 30 August 2017, Pages 49-55
نویسندگان
Shunzhi Zhu, Yan Wang, Shuo Shang, Guang Zhao, Jiye Wang,