(44-4) 19 * << * >> * Русский * English * Содержание * Все выпуски

Разработка и исследование алгоритмов определения предпочитаемых пользователем остановок общественного транспорта в геоинформационной системе на основе методов машинного обучения
А.А. Бородинов 1

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,
443086, Россия, г. Самара, Московское шоссе, д.34

 PDF, 1136 kB

DOI: 10.18287/2412-6179-CO-713

Страницы: 646-652.

Аннотация:
В работе рассматривается задача определения предпочитаемых пользователем остановок в рекомендательной транспортной системе. Проведено сравнение эффективности использования различных методов машинного обучения для решения указанной задачи в системе персонализированных рекомендаций: метода опорных векторов, дерева решений, случайного леса, AdaBoost, алгоритма k-ближайших соседей, многослойного персептрона. Сравнение указанных традиционных методов машинного обучения производилось также с предложенным методом, разработанным на основе алгоритма вычисления оценок. Экспериментальные исследования использовали реальные данные мобильного приложения «Прибывалка-63», являющегося частью сервиса tosamara.ru. Подтверждена как работоспособность, так и эффективность предложенного метода.

Ключевые слова:
рекомендательная система, машинное обучение, пользовательские предпочтения.

Благодарности
Работа финансировалась Министерством науки и высшего образования Российской Федерации (уникальный идентификатор проекта RFMEFI57518X0177).

Цитирование:
Бородинов, А.А. Разработка и исследование алгоритмов определения предпочитаемых пользователем остановок общественного транспорта в геоинформационной системе на основе методов машинного обучения / А.А. Бородинов // Компьютерная оптика. – 2020. – Т. 44, № 4. – С. 646-652. – DOI: 10.18287/2412-6179-CO-713.

Citation:
Borodinov AA. Development and research of algorithms for determining user preferred public transport stops in a geographic information system based on machine learning methods. Computer Optics 2020; 44(4): 646-652. DOI: 10.18287/2412-6179-CO-713.

Литература:
  1. Campigotto, P. Personalized and situation-aware multimodal route recommendations: The FAVOUR algorithm / P. Campigotto, C. Rudloff, M. Leodolter, D. Bauer // IEEE Transactions on Intelligent Transportation Systems. – 2017. – Vol. 18, Issue 1. – P. 92-102. – DOI: 10.1109/TITS.2016.2565643.
  2. Агафонов, А.А. Исследование численного метода резервирования маршрутов в геоинформационной задаче маршрутизации автономных транспортных средств / А.А. Агафонов, В.В. Мясников // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 912-920. – DOI: 10.18287/2412-6179-2018-42-5-912-920.
  3. Агафонов, А.А. Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей / А.А. Агафонов, А.С. Юмаганов, В.В. Мясников // Компьютерная оптика. – 2018. – Т. 42, № 6. – С. 1101-1111. – DOI: 10.18287/2412-6179-2018-42-6-1101-1111.
  4. Portugal, I. The use of machine learning algorithms in recommender systems: A systematic review / I. Portugal, P. Alencar, D. Cowan // Expert Systems with Applications. – 2018. – Vol. 97. – P. 205-227. – DOI: 10.1016/j.eswa.2017.12.020.
  5. Li, X. A multi-dimensional context-aware recommendation approach based on improved random forest algorithm / X. Li, Z. Wang, L. Wang, R. Hu, Q. Zhu // IEEE Access. – 2018. – Vol. 6. – P. 45071-45085. – DOI: 10.1109/ACCESS.2018.2865436.
  6. Bogaert, M. Evaluating multi-label classifiers and recommender systems in the financial service sector / M. Bogaert, J. Lootens, D. Van den Poel, M. Ballings // European Journal of Operational Research. – 2019. – Vol. 279, Issue 2. – P. 620-634.
  7. Kim, H. An intelligent product recommendation model to reflect the recent purchasing patterns of customers / H. Kim, G. Yang, H. Jung, S.H. Lee, J.J. Ahn // Mobile Networks and Applications. – 2019. – Vol. 24, Issue 1. – P. 163-170. – DOI: 10.1007/s11036-017-0986-7.
  8. Wang, X. Personalized recommendation system based on support vector machine and particle swarm optimization / X. Wang, J. Wen, F. Luo, W. Zhou, H. Ren. – In: KSEM 2015: Knowledge science, engineering and management / ed. by S. Zhang, M. Wirsing, Z. Zhang. – Cham, Heidelberg, New York, Dordrecht, London: Springer, 2015. – P. 489-495. – DOI: 10.1007/978-3-319-25159-2_44.
  9. Jiamthapthaksin, R. User preferences profiling based on user behaviors on Facebook page categories / R. Jiamthapthaksin, T.H. Aung // 2017 9th International Conference on Knowledge and Smart Technology: Crunching Information of Everything, KST 2017. – 2017. – P. 248-253. – DOI: 10.1109/KST.2017.7886077.
  10. Marović, M. Automatic movie ratings prediction using machine learning / M. Marović, M. Mihoković, M. Mikša, S. Pribil, A. Tus // MIPRO 2011 – 34th International Convention on Information and Communication Technology, Electronics and Microelectronics. – 2011. – P. 1640-1645.
  11. Ivan, I. Factors influencing walking distance to the preferred public transport stop in selected urban centres of Czechia / I. Ivan, J. Horák, L. Zajíčková, J. Burian, D. Fojtík // GeoScape. – 2019. – Vol. 13, Issue 1. – P. 16-30. – DOI: 10.2478/geosc-2019-0002.
  12. Borodinov, A.A. Analysis of the preferences of public transport passengers in the task of building a personalized recommender system / A.A. Borodinov, V.V. Myasnikov // CEUR Workshop Proceedings. – 2019. – Vol. 2391. – P. 198-205. – DOI: 10.18287/1613-0073-2019-2391-198-205.
  13. Журавлев, Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич. – В кн.: Распознавание, классификация, прогноз. Математические методы и их применение / под ред. Ю.И. Журавлева. – Вып. 2. – М.: Наука, 1989. – С. 5-72.
  14. Supervised learning – scikit-learn 0.22.2 documentation [Electronical Resource]. – URL: https://scikit-learn.org/stable/supervised_learning.html (request date February 4, 2019).

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20