فصل چهارم. معرفی تکنیک پیشنهادی

4-1- مقدمه…………………………….. 40

4-2- خصوصیات کلی پایگاه داده…………….. 41

4-3- پایگاه داده­ی مورد استفاده…………… 42

4-3-1- داده ی آموزشی………………….. 44

4-3-2- داده ی آزمایشی…………………. 44

4-4- تکنیک پیشنهادی…………………….. 45

4-4-1- بررسی توزیع جریان های ترافیکی……. 47

4-4-2- مرحله پیش پردازش و استخراج ویژگی… 50

4-4-3- مرحله شناسایی و تقسیم بندی به Context های مختلف 52

4-4-4- مرحله یادگیری با بکارگیری Context-Aware Random Forest 56

فصل پنجم. نتایج تجربی

5-1- مقدمه…………………………….. 59

5-2- پایگاه داده……………………….. 60

5-3- معیارهای ارزیابی…………………… 61

5-3-1- معیار ارزیابی خطای پیش­بینی……… 61

5-3-2- مقایسه کارآیی معیارهای سنجش فاصله بر روی مشاهدات ترافیکی 62

5-4- بررسی تناسب الگوریتم رندوم فارست در مقایسه با دیگر متدها 64

5-5- تنظیمات اعمال شده در پیاده سازی الگوریتم (تنظیم پارامترها) 66

5-6- ارزیابی سایز گردآمدگی بر روی داده یاعتبارسنجی 67

5-7- استخراج مجموعه های نمونه های آموزشی……. 70

5-8- نتایج یادگیری الگوریتم بر روی مجموعه های نمونه های آموزشی 72

فصل ششم. نتیجه گیری

خلاصه­ی مطالب و نتیجه­ گیری………………… 75

فهرست منابع و مآخذ……………………… 78

فهرست جدول ها

جدول شماره 4-1: شرح مفاهیم و معادل ترم های مورد استفاده 45

جدول شماره 5-1: مقایسه میانگین خطای الکوریتم­های مختلف weka 64

جدول شماره 5-2: مقایسه خطای الگوریتم بگینگ و رندوم فارست 66

فهرست شکل ها

شکل 1-1: معماری کلی مربوط به متدهای یادگیری تجمعی 6

شکل 2-1: معماری کلی الگوریتم بگینگ……….. 14

شکل 2-2: نمایی کلی از الگوریتم رندوم فارست.. 16

شکل 2-3: معماری کلی مربوط به الگوریتم رندوم فارست 20

شکل 4-1: صفحه ی نمایش شبیه ساز ترافیک TSF…… 42

شکل 4-2: نقشه ی شهر Warsaw، اعمال شده بهTSF….. 43

شکل 4-3: نمایش نمادین اعمال تکنیک پیشنهادی… 46
شکل 4-4: توزیع جریان های ترافیکی مسیرها……. 47
شکل 4-5: ارائه ی دید دقیق تر در خصوص رفتار جریان های ترافیکی 48

شکل 4-6: نمایش نمادین روند انجام مرحله گردآمدگی 50

شکل 4-7: نمودار الزامات معیار شباهت مناسب…. 53

شکل 4-8: جریانهای ترافیکی مسیرها مربوط به دو context 55

شکل 5-1: مثالی از چگونگی اعمال مراحل گردآمدگی 68