کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864703 1439549 2018 31 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
State of the art on road traffic sensing and learning based on mobile user network log data
ترجمه فارسی عنوان
وضعیت پیشرفته در سنجش ترافیک جاده و یادگیری مبتنی بر داده های ورودی کاربر شبکه تلفن همراه
ترجمه چکیده
با بهبود فناوری پردازش داده ها و ذخیره سازی، اپراتورهای تلفن همراه قادر به استخراج و ذخیره مقدار زیادی از شبکه های تلفن همراه تولید شده اطلاعات رفتار کاربر، برای توسعه برنامه های مختلف هوشمند است. یک برنامه جالب بر اساس این داده ها، سنجش ترافیک است که از تکنیک های یادگیری الگوهای تحرک انسانی از اطلاعات مکان به روز در داده های ورودی تعامل شبکه استفاده می کند. شبکه های تلفن همراه، که تحت آن مقدار زیادی از اطلاعات مکان به طور مرتب به روز شده از کاربران تلفن همراه ردیابی می تواند پوشش کامل برای برآوردن شرایط ترافیک در جاده ها و بزرگراه ها. این مقاله چالش ها و فرصت های بالقوه در سنجش ترافیک هوشمند را از نقطه نظر داده ها با داده های تولید شده توسط شبکه تلفن همراه بررسی می کند. اولا، منابع اطلاعاتی موجود در شبکه رادیویی تجاری را طبق معیارهای مختلف طبقه بندی طبقه بندی می کنیم. سپس ما مشکلات شکسته ای را که در چارچوب سنجش ترافیک بر اساس داده های ورودی شبکه کاربر تلفن همراه مطابقت دارد، مشخص می کنیم. الگوریتم پردازش اطلاعات و یادگیری موجود برای استخراج اطلاعات وضعیت ترافیک را از مقدار زیادی از داده های ورودی شبکه تلفن همراه مطالعه می کنیم. در نهایت پیشنهاداتی را درباره کار آینده بالقوه برای سنجش ترافیک بر روی داده های شبکه های تلفن همراه ارائه می کنیم. ما بر این باوریم که تکنیک ها و بینش هایی که در اینجا ارائه می شود، جامعه تحقیقاتی در علوم داده را الهام می گیرند تا مدل های یادگیری ماشین های سنجش ترافیک را در داده های رفتار کاربردهای تلفن همراه به طور گسترده جمع آوری کنند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
With the improvement of the storage and big data processing technology, mobile operators are able to extract and store a large amount of mobile network generated user behavior data, in order to develop various intelligent applications. One interesting application based on these data is traffic sensing, which uses techniques of learning human mobility patterns from updated location information in network interaction log data. Mobile networks, under which a huge amount of frequently updated location information of mobile users are tracked,can provide complete coverage to estimate traffic condition on roads and highways. This paper studies potential challenges and opportunities in intelligent traffic sensing from the data science point of view with mobile network generated data. Firstly, we classify the data resources available in the commercial radio network according to different taxonomy criteria. Then we outline the broken-down problems that fit in the framework of traffic sensing based on mobile user network log data. We study the existing data processing and learning algorithms on extracting traffic condition information from a large amount of mobile network log data. Finally we make suggestion on potential future work for traffic sensing on data from mobile networks. We believe the techniques and insights provided here will inspire the research community in data science to develop the machine learning models of traffic sensing on the widely collected mobile user behavior data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 278, 22 February 2018, Pages 110-118
نویسندگان
, ,