عنوان مقاله:
جغرافیایی
Assessing the role of geographic context in transportation mode detection from GPS data
سال انتشار: 2022
رشته: جغرافیا
گرایش: برنامه ریزی آمایش سرزمین
دانلود رایگان این مقاله:
دانلود مقاله ارزیابی بافت جغرافیایی
مشاهده سایر مقالات جدید:
مقالات ISI برنامه ریزی آمایش سرزمین
5. Results
We grouped the trips and mode from GPS variables listed in Table 2 to extract a total of 40 features. The contextual variables were used to generate an additional 68 features for GIS data listed in Table 3. The generalized and city-specific model accuracies with and without geographic context are reported in Table 4. Overall, the results indicated that the accuracy of all three classifiers improved significantly upon adding contextual data.
The overall increase in classification accuracy ranged from 37% up to 77% after GIS features were added to the models along with the GPS features (Table 4). The highest improvement in accuracy was achieved by MLP in case of St. John's and Vancouver as the volume of data was much lower compared to that of Montreal.
We also calculated the summary statistics for different classifiers to compare predictive accuracy using both approaches and found that the highest average accuracy improved by 62% while using MLP compared to RF which showed 58% improvement and XGB which showed a 59% improvement (Table 4).
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
5. نتایج
ما سفرها و حالت را از متغیرهای GPS فهرست شده در جدول 2 گروه بندی کردیم تا در مجموع 40 ویژگی را استخراج کنیم. از متغیرهای زمینهای برای تولید 68 ویژگی اضافی برای دادههای GIS فهرستشده در جدول 3 استفاده شد. دقت مدل تعمیمیافته و خاص شهر با و بدون بافت جغرافیایی در جدول 4 گزارش شده است. در مجموع، نتایج نشان داد که دقت هر سه طبقهبندیکننده با افزودن داده های متنی به طور قابل توجهی بهبود یافت.
افزایش کلی در دقت طبقهبندی از 37% تا 77% پس از اضافه شدن ویژگیهای GIS به مدلها همراه با ویژگیهای GPS متغیر بود (جدول 4). بالاترین پیشرفت در دقت توسط MLP در مورد سنت جان و ونکوور به دست آمد زیرا حجم داده ها در مقایسه با مونترال بسیار کمتر بود.