Aprendizado de máquina para o reconhecimento do uso da bicicleta como meio de transporte
Resumo
Os dados gerados por GPS de trajetórias percorridas em diversos meios de transporte fornecem informações valiosas para gerenciar a mobilidade e avaliar os benefícios que impactam o sistema de mobilidade de uma cidade. Esses dados, por si só, não permitem identificar o uso de meios de transporte ecofriendly para caracterizar o comportamento dos cidadãos em um contexto de mobilidade sustentável. Portanto, reconhecer as rotas e as distâncias percorridas pelos ciclistas por meio de técnicas de aprendizado de máquina (ML) é assumido como um desafio de enriquecimento tecnológico que contribui com capacidades de inteligência para os sistemas de mobilidade adaptados ao paradigma das cidades inteligentes, sustentáveis e responsivas. Este trabalho avalia diferentes técnicas de aprendizado de máquina para analisar as trajetórias de GPS coletadas dos percursos realizados pelos usuários e identificar o uso da bicicleta como meio de transporte. Foi implementada a metodologia CRISP-DM sobre um conjunto de dados públicos, coletados em Pequim, na China, para gerar um modelo que discrimine as informações correspondentes às trajetórias realizadas com o uso da bicicleta. O conjunto de dados foi avaliado para classificação binária e multiclasse, utilizando diferentes técnicas de padronização e múltiplos algoritmos de categorização. Os resultados mostram que os algoritmos de combinação de árvores de decisão alcançam a melhor precisão em um sistema de registro e processamento de dados de mobilidade inteligente. Particularmente, o de aumento de gradiente faz com que a identificação do meio de transporte utilizado se adapte melhor às variações que possam influenciar o desempenho de sistemas desse tipo.
Downloads
##plugins.generic.ArticleMetadataByBiteca.languages##:
Espanhol##plugins.generic.ArticleMetadataByBiteca.supportingAgencies##:
Produto do projeto de pesquisa “PSIIN3102ECBTI2023 Sistema de certificação para o uso eficaz de meios de transporte ecologicamente corretos” da Universidad Nacional Abierta y a Distancia.Referências
F. A. Malik et al., “Intelligent real-time modelling of rider personal attributes for safe last-mile delivery to provide mobility as a service”, Applied Sciences (Switzerland), vol. 12, núm. 20, 2022.
C. Keller et al., “Investigating the potential of data science methods for sustainable public transport”, Sustainability (Switzerland), vol. 14, núm. 7, 2022.
I. M. Pires et al., “Comparison of machine learning techniques for the identification of human activities from inertial sensors available in a mobile device after the application of data imputation techniques”, Comput. Biol. Med., vol. 135, ago., 2021. DOI: https://doi.org/10.1016/j.compbiomed.2021.104638
F. Schirmer et al., “Use of machine learning for expanding realistic and usable routes for data analysis on sustainable mobility”, vol. 2021, pp. 156-163, 2021.
F. Tuchnitz et al., ‘Development and evaluation of a smart charging strategy for an electric vehicle fleet based on reinforcement learning”, Applied Energy, vol. 285, 2021.
S. Bilotta et al., ‘Short-Term Prediction of City Traffic Flow via Convolutional Deep Learning’, IEEE Access, vol. 10, pp. 113086-113099, 2022.
O. D. León-Granizo y M. Botto-Tobar, “Predictive algorithms analysis to improve sustainable mobility”, International Journal on Informatics Visualization, vol. 6, núm. 1, pp. 83-89, 2022.
C. Catal et al., “On the use of ensemble of classifiers for accelerometer-based activity recognition”, Appl. Soft Comput., vol. 37, dic. 2015. DOI: https://doi.org/10.1016/j.asoc.2015.01.025
H. Gong et al., “A GPS/GIS method for travel mode detection in New York City”, Comput. Environ. Urban Syst., vol. 36, núm. 2, marzo. 2012. DOI: https://doi.org/10.1016/j.compenvurbsys.2011.05.003
D.-N. Lu et al., “Vehicle mode and driving activity detection based on analyzing sensor data of smartphones”, Sensors, vol. 18, núm. 4, Art. N.° 4, abr. 2018, DOI: https://doi.org/10.3390/s18041036
X. Liang et al., “A deep learning model for transportation mode detection based on smartphone sensing data,” IEEE Trans. Intell. Transp. Syst., vol. 21, núm. 12, dic. 2020, DOI: https://doi.org/10.1109/TITS.2019.2951165
S. Cheng y Y. Liu, “Research on transportation mode recognition based on multi-head attention temporal convolutional network”, Sensors, vol. 23, núm. 7, 2023. DOI: https://doi.org/10.3390/s23073585
S. Khan et al., “Deep neural network and trust management approach to secure smart transportation data in sustainable smart cities”, ICT Express, vol. 10, núm. 5, 2024. DOI: https://doi.org/10.1016/j.icte.2024.08.006
G. Badu-Marfo et al., “An ensemble federated learning framework for privacy-by-design mobility behaviour inference
in smart cities”, Sustainable Cities and Society, vol. 97, 2023. DOI: https://doi.org/10.1016/j.scs.2023.104703
N. Zafar et al., “Traffic prediction in smart cities based on hybrid feature space”, IEEE Access, vol. 10, 2022. DOI: https://
doi.org/10.1109/ACCESS.2022.3231448
A. Sharma et al., “Early transportation mode detection using smartphone sensing data”, IEEE Sens. J., vol. 21, núm. 14, jul. 2021. DOI: https://doi.org/10.1109/JSEN.2020.3009312
P. Chapman et al., CRISP-DM 1.0: Step-by-step Data Mining Guide. CRISP-DM Consortium, 2000.
Y. Zheng et al., “Geolife GPS trajectory dataset - User Guide”, 2011.
F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.
R. Boutaba et al., “A comprehensive survey on machine learning for networking: evolution, applications and research opportunities”, Journal of Internet Services and Applications, vol. 9, núm. 1, p. 16, jun. 2018.
DeepLearning.AI, “Train/dev/test sets”, YouTube, 2017, https://www.youtube.com/watch?v=1waHlpKiNyY (accedido el 9 de septiembre de 2024) [En línea].
S. Boughorbel, F. Jarray y M. El-Anbari, “Optimal classifier for imbalanced data using matthews correlation coefficient metric”, PLOS One, vol. 12, núm 6, pp. 1-17, 2017.
J. Brownlee, Master machine learning algorithms discover how they work and implement them from scratch, 1.9. Melbourne, 2017. [Online]. http://MachineLearningMastery.com
C. Bentéjac, A. Csörgő y G. Martínez-Muñoz, “A comparative analysis of gradient boosting algorithms”, Artif Intell Rev, vol. 54, núm. 3, 2021. DOI: https://doi.org/10.1007/s10462-020-09896-5
S. Dabiri y K. Heaslip, “Inferring transportation modes from GPS trajectories using a convolutional neural network”, Transp Res Part C Emerg Technol, vol. 86, 2018. DOI: https://doi.org/10.1016/j.trc.2017.11.021
C. Ferri, “Identifying the sport activity of GPS tracks,” Procedia Computer Science, Elsevier B.V., 2016. DOI: https://doi.org/10.1016/j.procs.2016.05.345
A. Vabalas et al., “Machine learning algorithm validation with a limited sample size,” PLoS One, vol. 14, núm. 11, 2019. DOI: https://doi.org/10.1371/journal.pone.0224365
| Métricas do artigo | |
|---|---|
| Vistas abstratas | |
| Visualizações da cozinha | |
| Visualizações de PDF | |
| Visualizações em HTML | |
| Outras visualizações | |
Copyright (c) 2024 Revista Facultad de Ciencias Básicas
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
