Paria Sadeghians avhandling fokuserar på att använda GPS-data för att förstå och förutsäga hur människor rör sig och vilka transportsätt de använder. Hon utforskar innovativa sätt för att identifiera transportlägen inom GPS-spårningsdata, med en blandning av maskininlärningstekniker. Det övergripande målet är att förbättra analysen och planeringen av transportsystem.
– Min forskning använder en rad olika metoder och GPS-data samlades in från enheter under ett år bland 91 frivilliga. Olika angreppssätt har gjort det möjligt att effektivt upptäcka och förutsäga transportsätt, säger Paria Sadeghian.
Studierna är omfattande med djupinlärningsmodeller och hybridalgoritmer, som avsevärt förbättrar precisionen för upptäckten av transportsätt. Modellernas noggrannhet visar potentialen för dessa teknologier inom stadsplanering och smarta transportsystem.
– Kanske den mest betydande upptäckten är utvecklingen av en ny inlärningsmodell. Denna modell förbättrar inte bara precisionen för upptäckt av transportsätt utan erbjuder också en skalbar lösning som kan anpassas till olika stadsmiljöer, säger Paria Sadeghian.
Resultaten kan förbättra förståelsen för transportsätt och rörlighetsmönster för att utforma effektivare och mer hållbara transportstrategier. Framtida tillämpningar kan innebära realtids trafikstyrningssystem och förbättrade kollektivtrafiktjänster som anpassar sig till förändrade krav på rörlighet i stadsområden.
– De metoder som har utvecklats i min avhandling understryker potentialen för GPS-data, inte bara att förstå utan också för att förutsäga mänskligt beteende, vilket skulle kunna revolutionera vår förståelse av hur människor rör sig och transporterar sig i stadsområden, säger Paria Sadeghian.
Paria planerar att fortsätta sitt arbete inom forskningen om transport där hennes expertis för att adressera globala transportutmaningar kommer till nytta.
Fakta: Modeller för transportlägesidentifiering
- Djupinlärningsmodeller: En typ av maskininlärningsalgoritm som använder flera lager av neuronnät för att extrahera och lära sig representationsnivåer av data. Exempel inkluderar Convolutional Neural Networks (CNN) och Long Short-Term Memory (LSTM) nätverk.
- Hybridalgoritmer: Algoritmer som kombinerar olika tekniker för att lösa ett problem. Inom transportlägesdetektering kan hybridalgoritmer använda en kombination av klassiska metoder som K-means clustering och avancerade optimeringsalgoritmer som ANP-PSO (Analytical Network Process - Particle Swarm Optimization).
- Random Forest: En ensemble-lärande metod för klassificering, regression och andra uppgifter som arbetar genom att skapa ett stort antal beslutsträd under träningen och outputen av dessa träd används för att bestämma det mest populära svaret.
- LSTM (Long Short-Term Memory): Ett slags neruronätverk som är väl lämpad för att modellera sekvensdata på grund av dess förmåga att behålla och använda information över långa tidsintervall. Används ofta för tidsberoende data i prediktionsuppgifter.
Läs avhandlingen: A Multi-Dimensional Approach to Human Mobility and Transportation Mode Detection Using GPS Data (diva-portal.org)