Розробка прогнозуючого моделювання і класифікації поїздок на таксі з глибоким навчанням
| Autor: | Suhad Al-Shoukry, Bushra Jaber M. Jawad, Zalili Musa, Ahmad H. Sabry |
|---|---|
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
Applied Mathematics
Mechanical Engineering Taxi trips tolls плата за поїздки на таксі прогнозування Energy Engineering and Power Technology deep learning машинне навчання глибоке навчання Industrial and Manufacturing Engineering Computer Science Applications багатомасштабні класифікації multi-scale classifications Control and Systems Engineering Management of Technology and Innovation Machine learning Environmental Chemistry Electrical and Electronic Engineering Prediction Food Science |
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 3 No. 3 (117) (2022): Control processes; 6-12 Eastern-European Journal of Enterprise Technologies; Том 3 № 3 (117) (2022): Процеси управління; 6-12 |
| ISSN: | 1729-3774 1729-4061 |
| Popis: | Several studies discussed the predictive modeling of deep learning in different applications such as classifying tissue features from microstructural data, Crude Oil Prices, mechanical constitutive behavior of materials, microbiome data, and mineral prospectively. Commercial navigation includes a wealth of trip-related data, including distance, expected journey time, and tolls that may be encountered along the way. Using a classification algorithm, it is possible to extract drop-off and pickup locations from taxi trip data and estimate if the tour would incur tolls. In this work, let’s use the classification learner to create classification models, compare their performance, and export the findings for additional study. The workflow for the classification learner is the same as for the regression learner. The purpose is to make predictions based on fresh data in order to see how well the model performs with new data. To train the model, it’s critical to separate the data set. The combined training and validation data is next pre-processed, which involves tasks such as cleaning and developing new features skills. Once the data has been prepared, it’s time to begin the supervised machine learning process and test a number of ways to identify the best model, such as the type of model that should be used, the important features, and the best parameters of the model to find the best fit for the considered data. The results of analyzing different predictive multiclass classification models with taxi trip tolls show that it is possible to use a machine learning-based model when we like to avoid road tolls depending on historical data on taxi trip tolls. The outcome of this study can help to expect road tolls from the drop-off and pickup locations of a taxi data 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 |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|