کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864657 1439547 2018 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Method of predicting human mobility patterns using deep learning
ترجمه فارسی عنوان
روش پیش بینی الگوهای تحرک انسانی با استفاده از یادگیری عمیق
کلمات کلیدی
الگوی تحرک انسانی، پیش بینی الگوی تحرک، شبکه عصبی عمیق شبکه اعتقادی درونی، داده های موقعیت یابی، اطلاعات مکان
ترجمه چکیده
با توجه به شیوع وسایل موبایل، به دلیل شیوع وسایل موبایل، داده های مکان و جنبش های انسانی به راحتی در دسترس قرار می گیرند، استفاده از داده های تحرک مانند افزایش جمعیتی است. در کار ما ارتباطی بین تحرک و شخصیت انسان برقرار می کنیم و تلاش می کنیم الگوهای مدل سازی و پیش بینی الگوهای حرکت را پیش بینی کنیم. مدل عمیق شبکه عصبی و شبکه عمیق و اعتقادی از یادگیری عمیق برای ایجاد شبکه های عصبی استفاده می شود. هر دو اطلاعات موقعیت یابی منفعل و اطلاعات مکانی فعال برای داده های اطلاعات تحرک استفاده می شود و پنج عامل بزرگ برای داده های شخصیت استفاده می شود. هر دو اطلاعات مربوط به تحرک و اطلاعات شخصیتی به گروه های آموزشی و تایید تقسیم می شوند و متعاقبا برای آموزش و بررسی شبکه های عصبی استفاده می شوند. نتایج به دست آمده در رابطه با آمار بیان شده با توجه به عوامل مدل، مقایسه مقادیر پیش بینی شده و مشاهده شده، و پارامترهای شبکه های عصبی برای بالاترین دقت شناسایی می شوند. ما از این شبکه عصبی مطلوب برای نشان دادن همبستگی بین شخصیت انسان و الگوهای تحرک استفاده می کنیم. پیش بینی واقعی تلاش می شود و در برخی شرایط معنی دار است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
روش پیش بینی الگوهای تحرک انسانی با استفاده از یادگیری عمیق
چکیده انگلیسی
As human location and movement data are becoming easily accessible, owing to the prevalence of mobile devices, the use of such mobility data is gaining an increasing amount of interest. In our work, we establish a relationship between human mobility and personality, and attempt to model and predict movement patterns. Deep-neural-network and deep-belief-network models of deep learning are used in conjunction, for training the neural network. Both passive positioning information and active location information are used for the mobility information dataset, and the big five factors are used for the personality data. Both mobility information and personality information are split into training and verification groups, and are subsequently used to train and verify the neural network. The results are expressed in terms of hit ratios according to model factors comparing the predicted and observed values, and the parameters for the neural networks for the highest accuracy are identified. We use this optimal neural network to show the correlation between human personality and mobility patterns. Actual prediction is attempted, and is found meaningful in some conditions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 280, 6 March 2018, Pages 56-64
نویسندگان
, ,