Розробка прогнозуючого моделювання і класифікації поїздок на таксі з глибоким навчанням
DOI:
https://doi.org/10.15587/1729-4061.2022.259242Ключові слова:
машинне навчання, глибоке навчання, багатомасштабні класифікації, плата за поїздки на таксі, прогнозуванняАнотація
У кількох дослідженнях обговорювалося прогностичне моделювання глибокого навчання у різних додатках, таких як класифікація характеристик тканин на основі мікроструктурних даних, ціни на сиру нафту, механічну конститутивну поведінку матеріалів, дані мікробіомів та перспективи мінералів. Комерційна навігація включає безліч даних, пов’язаних з поїздкою, включаючи відстань, очікуваний час у дорозі і дорожні збори, які можуть виникнути в дорозі. Використовуючи алгоритм класифікації, можна отримати місця висадки та посадки з даних про поїздки на таксі та оцінити, чи будуть дорожні збори за поїздку. У цій роботі давайте використовуємо засіб навчання класифікації для створення моделей класифікації, порівняння їхньої продуктивності та експорту результатів для додаткового вивчення. Робочий процес для учня класифікації такий самий, як і для учня регресії. Ціль полягає в тому, щоб робити прогнози на основі актуальних даних, щоб побачити, наскільки добре модель працює з новими даними. Для навчання моделі важливо розділити набір даних. Потім об’єднані дані навчання та перевірки проходять попередню обробку, яка включає такі завдання, як очищення та розвиток навичок роботи з новими функціями. Після того, як дані підготовлені, настає час розпочати контрольований процес машинного навчання та протестувати кілька способів визначення кращої моделі, наприклад, тип моделі, яку слід використовувати, важливі функції та кращі параметри моделі, знайти найкращу відповідність для даних, що розглядаються. Результати аналізу різних моделей прогнозної мультикласової класифікації з урахуванням плати за проїзд у таксі показують, що можна використовувати модель, що базується на машинному навчанні, коли ми хочемо уникнути дорожніх зборів залежно від історії даних про плату за поїздки в таксі. Результати цього дослідження можуть допомогти розрахувати дорожні збори у місцях висадки та посадки таксі
Посилання
- Holzapfel, G. A., Linka, K., Sherifova, S., Cyron, C. J. (2021). Predictive constitutive modelling of arteries by deep learning. Journal of The Royal Society Interface, 18 (182), 20210411. doi: https://doi.org/10.1098/rsif.2021.0411
- Niu, T., Wang, J., Lu, H., Yang, W., Du, P. (2021). A Learning System Integrating Temporal Convolution and Deep Learning for Predictive Modeling of Crude Oil Price. IEEE Transactions on Industrial Informatics, 17 (7), 4602–4612. doi: https://doi.org/10.1109/tii.2020.3016594
- Linka, K., Hillgärtner, M., Abdolazizi, K. P., Aydin, R. C., Itskov, M., Cyron, C. J. (2021). Constitutive artificial neural networks: A fast and general approach to predictive data-driven constitutive modeling by deep learning. Journal of Computational Physics, 429, 110010. doi: https://doi.org/10.1016/j.jcp.2020.110010
- Wang, Y., Bhattacharya, T., Jiang, Y., Qin, X., Wang, Y., Liu, Y. et. al. (2020). A novel deep learning method for predictive modeling of microbiome data. Briefings in Bioinformatics, 22 (3). doi: https://doi.org/10.1093/bib/bbaa073
- Saxena, P., Maheshwari, A., Maheshwari, S. (2020). Predictive Modeling of Brain Tumor: A Deep Learning Approach. Innovations in Computational Intelligence and Computer Vision, 275–285. doi: https://doi.org/10.1007/978-981-15-6067-5_30
- Sun, T., Li, H., Wu, K., Chen, F., Zhu, Z., Hu, Z. (2020). Data-Driven Predictive Modelling of Mineral Prospectivity Using Machine Learning and Deep Learning Methods: A Case Study from Southern Jiangxi Province, China. Minerals, 10 (2), 102. doi: https://doi.org/10.3390/min10020102
- Cantwell, C. D., Mohamied, Y., Tzortzis, K. N., Garasto, S., Houston, C., Chowdhury, R. A. et. al. (2019). Rethinking multiscale cardiac electrophysiology with machine learning and predictive modelling. Computers in Biology and Medicine, 104, 339–351. doi: https://doi.org/10.1016/j.compbiomed.2018.10.015
- Miotto, R., Li, L., Kidd, B. A., Dudley, J. T. (2016). Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records. Scientific Reports, 6 (1). doi: https://doi.org/10.1038/srep26094
- Sun, M., Tang, F., Yi, J., Wang, F., Zhou, J. (2018). Identify Susceptible Locations in Medical Records via Adversarial Attacks on Deep Predictive Models. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. doi: https://doi.org/10.1145/3219819.3219909
- Rajkomar, A., Oren, E., Chen, K., Dai, A. M., Hajaj, N., Hardt, M. et. al. (2018). Scalable and accurate deep learning with electronic health records. Npj Digital Medicine, 1 (1). doi: https://doi.org/10.1038/s41746-018-0029-1
- Zhang, J., Wang, P., Gao, R. X. (2019). Deep learning-based tensile strength prediction in fused deposition modeling. Computers in Industry, 107, 11–21. doi: https://doi.org/10.1016/j.compind.2019.01.011
- Li, S., Laima, S., Li, H. (2021). Physics-guided deep learning framework for predictive modeling of bridge vortex-induced vibrations from field monitoring. Physics of Fluids, 33 (3), 037113. doi: https://doi.org/10.1063/5.0032402
- Beniwal, A., Dadhich, R., Alankar, A. (2019). Deep learning based predictive modeling for structure-property linkages. Materialia, 8, 100435. doi: https://doi.org/10.1016/j.mtla.2019.100435
- Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., Prabhat (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566 (7743), 195–204. doi: https://doi.org/10.1038/s41586-019-0912-1
- How to use less gas when driving with Google Maps. Popular Science. Available at: https://www.popsci.com/diy/fuel-efficient-route-google-maps/
- TLC Trip Record Data. Available at: https://www1.nyc.gov/site/tlc/about/tlc-trip-record-data.page
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Suhad Al-Shoukry, Bushra Jaber M. Jawad, Zalili Musa, Ahmad H. Sabry

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.