Mejora de la experiencia de compartir coche a través de una mejor clasificación de trayectorias GPS utilizando algoritmos de aprendizaje automático
Autores: Pandey, Manish Kumar; Saini, Anu; Subbiah, Karthikeyan; Chintalapudi, Nalini; Battineni, Gopi
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Mejora de la experiencia de compartir coche a través de una mejor clasificación de trayectorias GPS utilizando algoritmos de aprendizaje automático
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Ciudades inteligentes
Infraestructura
Transporte
Uso compartido de coches
Análisis de datos
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
A nivel mundial, las ciudades inteligentes, la infraestructura y el transporte han llevado a un aumento en el número de vehículos, lo que ha resultado en un creciente número de problemas. Esto incluye problemas como la contaminación del aire, la contaminación acústica, el alto consumo de energía y la salud de las personas. Una solución viable a estos problemas es el uso compartido de vehículos, que implica compartir automóviles entre personas que se dirigen al mismo lugar. A medida que las soluciones de uso compartido de vehículos se vuelven más populares, es necesario implementarlas de manera eficiente. El análisis de datos puede ayudar a las personas a tomar decisiones informadas al seleccionar un transporte (automóvil o autobús). Aplicamos algoritmos de aprendizaje automático para seleccionar el transporte deseado (automóvil o autobús) y utilizamos algoritmos de clasificación de características para identificar los rasgos más importantes para seleccionar el transporte deseado. Basado en la métrica de evaluación del rendimiento, se utilizaron 11 clasificadores para el experimento. En términos de selección del transporte deseado, Random Forest tiene el mejor rendimiento. Usando validación cruzada de diez pliegues, obtuvimos una sensibilidad del 87.4%, una especificidad del 73.7%, una precisión del 81.0%, una sensibilidad del 90.8%, una especificidad del 77.6% y una precisión del 84.7% utilizando validación cruzada de dejar uno fuera. Para identificar las características más favorables del transporte (automóvil o autobús), se aplicó el algoritmo de eliminación recursiva de características. Al identificar los factores que contribuyen a la experiencia de los usuarios, los proveedores de servicios podrán rectificar esos factores para aumentar el negocio. Se ha determinado que el clima puede hacer o deshacer la experiencia del usuario. Este modelo se utilizará para cuantificar y mapear los sentimientos intrínsecos y extrínsecos de las personas y sus interacciones con la localidad, las condiciones socioeconómicas, el clima y el medio ambiente.
Descripción
A nivel mundial, las ciudades inteligentes, la infraestructura y el transporte han llevado a un aumento en el número de vehículos, lo que ha resultado en un creciente número de problemas. Esto incluye problemas como la contaminación del aire, la contaminación acústica, el alto consumo de energía y la salud de las personas. Una solución viable a estos problemas es el uso compartido de vehículos, que implica compartir automóviles entre personas que se dirigen al mismo lugar. A medida que las soluciones de uso compartido de vehículos se vuelven más populares, es necesario implementarlas de manera eficiente. El análisis de datos puede ayudar a las personas a tomar decisiones informadas al seleccionar un transporte (automóvil o autobús). Aplicamos algoritmos de aprendizaje automático para seleccionar el transporte deseado (automóvil o autobús) y utilizamos algoritmos de clasificación de características para identificar los rasgos más importantes para seleccionar el transporte deseado. Basado en la métrica de evaluación del rendimiento, se utilizaron 11 clasificadores para el experimento. En términos de selección del transporte deseado, Random Forest tiene el mejor rendimiento. Usando validación cruzada de diez pliegues, obtuvimos una sensibilidad del 87.4%, una especificidad del 73.7%, una precisión del 81.0%, una sensibilidad del 90.8%, una especificidad del 77.6% y una precisión del 84.7% utilizando validación cruzada de dejar uno fuera. Para identificar las características más favorables del transporte (automóvil o autobús), se aplicó el algoritmo de eliminación recursiva de características. Al identificar los factores que contribuyen a la experiencia de los usuarios, los proveedores de servicios podrán rectificar esos factores para aumentar el negocio. Se ha determinado que el clima puede hacer o deshacer la experiencia del usuario. Este modelo se utilizará para cuantificar y mapear los sentimientos intrínsecos y extrínsecos de las personas y sus interacciones con la localidad, las condiciones socioeconómicas, el clima y el medio ambiente.