ترجمه مقاله برآورد حجم ترافیک شهری با استفاده از داده های مداری - نشریه IEEE

ترجمه مقاله برآورد حجم ترافیک شهری با استفاده از داده های مداری - نشریه IEEE
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
برآورد حجم ترافیک شهری با استفاده از داده های مداری
عنوان انگلیسی
Citywide Traffic Volume Estimation Using Trajectory Data
صفحات مقاله فارسی
48
صفحات مقاله انگلیسی
14
سال انتشار
2017
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
6421
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی عمران و شهرسازی
گرایش های مرتبط با این مقاله
برنامه ریزی حمل و نقل و مدیریت شهری
مجله
یافته های به دست آمده در حوزه مهندسی دانش و داده
دانشگاه
دانشگاه پوردو، غرب لافایت
کلمات کلیدی
محاسبات شهری، برآورد حجم ترافیک، مدارها، نظریه جریان ترافیکی
فهرست مطالب
چکیده
1. مقدمه
2. نمای کلی
2،1. مقدمات
2،2. چارچوب
3. برآورد سرعت جابجایی
3،1. نقشه برداری مداری
3،2. استخراج بافت شهری
3،3. استنتاج مدل سرعت
4. برآورد حجم ترافیک
4،1. استخراج ویژگی جریان ترافیکی
4،1،1. شناسایی طبقه های توزیعی سرعت جاده
4،1،2. استخراج پارامترهای سرعت FD
4،1،3. استنباط ویژگی های لحاظ نشده جریان ترافیکی
4،2. درک ویژگی سطح بالای مرتبط به حجم
4،3. تفسیر مجدد حجم ترافیک
5. آزمایشات
5،1. مجموعه داده ها
5،2. تنظیمات
5،3. ارزیابی روی استنتاج ویژگی جریانی ترافیک
5،4. ارزیابی روی TVE
5،4،1. نتایج حاصل از تفسیر مجدد حجم ترافیک
5،4،2. عملکرد کلی
5،4،3 عملکرد زمانی
6. فعالیت های مرتبط
6،1. روش های سنتی برآورد حجم ترافیک
6،2. برآورد حجم ترافیک با استفاده از داده های حسگر موبایل
7. نتیجه گیری
تقدیرنامه ها
منابع
نمونه چکیده متن اصلی انگلیسی
Abstract

Traffic volume estimation at the city scale is an important problem useful to many transportation operations and urban applications. This paper proposes a hybrid framework that integrates both state-of-art machine learning techniques and wellestablished traffic flow theory to estimate citywide traffic volume. In addition to typical urban context features extracted from multiple sources, we extract a special set of features from GPS trajectories based on the implications of traffic flow theory, which provide extra information on the speed-flow relationship. Using the network-wide speed information estimated from a travel speed estimation model, a volume related high level feature is first learned using an unsupervised graphical model. A volume re-interpretation model is then introduced to map the volume related high level feature to the predicted volume using a small amount of ground truth data for training. The framework is evaluated using a GPS trajectory dataset from 33,000 Beijing taxis and volume ground truth data obtained from 4,980 video clips. The results demonstrate effectiveness and potential of the proposed framework in citywide traffic volume estimation.

نمونه چکیده ترجمه متن فارسی
چکیده

برآورد حجم ترافیک در مقیاس شهری، یک مسئله مهم مفید برای بسیاری از عملیات های حمل و نقلی و کاربردهای شهری است. این مقاله، یک چارچوب ترکیبی که هر دوی تکنیک های یادگیری ماشینی کیفی فنی و  نظریه جریان ترافیکی کاملاً تایید شده را به منظور برآورد حجم ترافیک شهری ادغام می کند، پیشنهاد می کند. علاوه بر ویژگی های بافت شهری معمولی استخراج شده از منابع چندگانه، ما مجموعه ای از ویژگی های مربوط به مدارهای GPS  را  بر اساس استدلال های نظریه جریان ترافیکی استخراج می کنیم که اطلاعات بیشتری در مورد رابطه بین سرعت- جریان ارائه می دهد. با استفاده از اطلاعات مربوط به سرعت شبکه گسترده برآورد شده از مدل برآورد سرعت جابجایی، یک ویژگی سطح بالای وابسته به حجم برای اولین بار با استفاده از یک مدل گرافیکی نظارت نشده فهمیده شده است. سپس، یک مدل دوباره تفسیر شده ی حجمی جهت ترسیم ویژگی سطح بالای وابسته به حجم برای حجم پیش بینی شده با استفاده از یک مقدار اندک از داده های حقیقی میدانی برای تمرین معرفی شده است. چارچوب، با استفاده از یک مجموعه داده مداری GPS حاصل از 33،000 تاکسی پکن و داده حقیقی میدانی حجمی به دست آمده از 4980 کلیپ ویدیوئی ارزیابی شده است. نتایج، اثربخشی و پتانسیل چارچوب پیشنهادی را در برآورد حجم ترافیک شهری نشان می دهند.


بدون دیدگاه