پیش بینی زمان رسیدن شاتل در استانبول

عنوان پیش بینی زمان رسیدن شاتل در استانبول
نویسنده چوبان، سلامی، سانچز آنگویکس، وی، آیدوغان، ریحان
تاریخ انتشار: 2020
محل انتشار - Springer Nature
موضوع شهرهای هوشمند، حمل و نقل، تلفیق اطلاعات، علم داده
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 2194-5357
شماره ثبت 7b3c578b-c863-4086-b902-b40c95cf87af
محل کتابخانه علوم کامپیوتر
تاریخ 2020
متن نمونه امروزه شرکت های حمل و نقل به دنبال راه حل های هوشمند برای بهبود کیفیت خدمات خود هستند. بر این اساس، یک شرکت اتوبوس بین شهری در استانبول قصد دارد برنامه های رفت و آمد خود را بهبود بخشد. این مقاله تجدید نظر در زمان‌بندی شاتل‌ها بر اساس زمان تخمینی سفر آنها در جدول زمانی داده شده را پیشنهاد می‌کند. از آنجایی که زمان سفر بسته به تاریخ سفر، آب و هوا، مسافت متفاوت است، ما یک مدل پیش‌بینی را با استفاده از تاریخچه سفر و اطلاعات اضافی مانند مسافت، تعطیلات و آب و هوا ارائه می‌کنیم. نتایج نشان داد که الگوریتم جنگل تصادفی نسبت به سایر روش ها عملکرد بهتری داشته و افزودن ویژگی های اضافی میزان دقت آن را افزایش می دهد.
Editör Herrera, F., Matsui, K., Rodriguez Gonzalez, S.
DOI 10.1007/978-3-030-23887-2_6
Cilt 1003
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی دانشگاه اوزیغین

پیش بینی زمان رسیدن شاتل در استانبول

نویسنده چوبان، سلامی، سانچز آنگویکس، وی، آیدوغان، ریحان
تاریخ انتشار 2020
محل انتشار - Springer Nature
موضوع شهرهای هوشمند، حمل و نقل، تلفیق اطلاعات، علم داده
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 2194-5357
شماره ثبت 7b3c578b-c863-4086-b902-b40c95cf87af
محل کتابخانه علوم کامپیوتر
تاریخ 2020
متن نمونه امروزه شرکت های حمل و نقل به دنبال راه حل های هوشمند برای بهبود کیفیت خدمات خود هستند. بر این اساس، یک شرکت اتوبوس بین شهری در استانبول قصد دارد برنامه های رفت و آمد خود را بهبود بخشد. این مقاله تجدید نظر در زمان‌بندی شاتل‌ها بر اساس زمان تخمینی سفر آنها در جدول زمانی داده شده را پیشنهاد می‌کند. از آنجایی که زمان سفر بسته به تاریخ سفر، آب و هوا، مسافت متفاوت است، ما یک مدل پیش‌بینی را با استفاده از تاریخچه سفر و اطلاعات اضافی مانند مسافت، تعطیلات و آب و هوا ارائه می‌کنیم. نتایج نشان داد که الگوریتم جنگل تصادفی نسبت به سایر روش ها عملکرد بهتری داشته و افزودن ویژگی های اضافی میزان دقت آن را افزایش می دهد.
Editör Herrera, F., Matsui, K., Rodriguez Gonzalez, S.
DOI 10.1007/978-3-030-23887-2_6
Cilt 1003
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید