عنوان فارسی مقاله : پیش بینی لینک منفی و برنامه های کاربردی آن در شبکه های سیاسی آنلاین
.
English Article Title: Negative Link Prediction and Its Applications in Online Political Networks
Year: 2017
Publisher: ACM
Journal: Proceedings of the 28th ACM Conference on Hypertext and Social Media
DOI: https://doi.org/10.1145/3078714.3078727

Keywords:
#Negative_Link_Prediction
#Online_Political_Networks
#Social_Media_Mining
#Sentiment_Analysis
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#علوم_تصمیم_گیری (#Decision_Sciences)
#مقاله_روانشناسی (#Psychology)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#پیش_بینی_منفی
#شبکه_های_سیاسی_آنلاین
#داده_های_رسانه_های_اجتماعی
#تجزیه_و_تحلیل_احساسات

چکیده مقاله:
اختلاف نظرها، مخالفت ها و نظرات منفی بخش مهمی از بحث های سیاسی آنلاین است. در رسانه های اجتماعی مردم از طریق گفتگوها و تعاملات خاص پلتفورم مانند مانند، اشتراک در فیس بوک و بازتوییت در توییتر، باور و نگرش خود را نه تنها در مورد مسائل بلکه در مورد یکدیگر بیان می کنند. در حالی که ویژگی های صریح مانند "دوست داشتن" در این سیستم عامل وجود دارد، هیچ ویژگی صریح مانند "نداشتن" وجود ندارد. بسیاری از وظایف تجزیه و تحلیل شبکه مانند شناسایی جوامع و نظارت بر پویایی آنها (به عنوان مثال الگوهای قطبی شدن) نیاز به اطلاعات در مورد هر دو ارتباط مثبت و منفی دارند. از این رو، پیش بینی ارتباط منفی بین کاربران یک کار مهم و یک مسئله چالش برانگیز است. در این مطالعه، ما یک چارچوب بدون نظارت را برای پیش بینی ارتباط منفی بین کاربران با استفاده از تعاملات مثبت و منفی نشانه های احساس در مکالمات پیشنهاد می کنیم. ما اثربخشی چارچوب پیشنهادی را در یک مجموعه داده های توییتر حاوی حاشیه نویسی از طریق پلت فرم crowdsourcing آمازون MTURK نشان می دهد. نتایج تجربی ما نشان می دهد که چارچوب پیشنهادی از سایر روش های شناخته شده و پایه پیشنهاد شده بهتر است. برای نشان دادن اشتراکی از لینک های پیش بینی شده منفی، ما مقایسات دقیق تشخیص جامعه با استفاده از شبکه های کاربر امضا و بدون امضا را مقایسه می کنیم. نتایج تجربی با استفاده از لینک های پیش بینی شده منفی، برتری سه مجموعه داده های سیاسی را نشان می دهد که camps به طور پیش بینی شناخته شده است. ما همچنین ارزیابی کیفی مربوط به الگوهای قطبی سازی (یعنی رقابت ها و ائتلاف ها) بین جوامع شناسایی را ارائه می دهیم که فقط در حضور لینک های منفی امکان پذیر است.
کلیدواژه: پیش بینی منفی، شبکه های سیاسی آنلاین، داده های رسانه های اجتماعی، تجزیه و تحلیل احساسات

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2WqOO44

عنوان فارسی مقاله : پیش بینی زمان سفر بزرگراه براساس ادغام داده مکانی-زمانی یکپارچه : مطالعه موردی بزرگراه در تایوان
.
English Article Title: Freeway Travel Time Prediction Based on Seamless Spatio-temporal Data Fusion: Case Study of the Freeway in Taiwan
Year: 2016
Publisher: Elsevier
Journal: Transportation Research Procedia
DOI: https://doi.org/10.1016/j.trpro.2016.11.087

Keywords:
#freeway_travel_time_prediction
#data_fusion
#spatio_temporal_traffic_pattern
#Kalman_filter
#Fourier_transform
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#پیش_بینی_زمان_سفر_آزادراه
#تلفیق_داده_ها
#الگوی_ترافیکی_مکانی_زمانی
#فیلتر_کالمن
#تبدیل_فوریه

چکیده مقاله:
پیش‌بینی زمان سفر یک خشت اساسی برای توسعه سیستم‌های مدیریت ترافیک پیشرفته (ATMS) و سیستم‌های اطلاعاتی پیشرفته مسافر (ATIS) بوده ‌است. مساله پیش ‌بینی زمان سفر در درجه اول با داده‌های موجود برای توسعه مدل و نیازها از دیدگاه هر دو طرف و اپراتورها شکل می‌گیرد. یک سیستم جمع‌آوری اطلاعات الکترونیکی که از راه دور بر سیستم بزرگراه در تایوان اجرا می‌شود، از دسامبر ۲۰۱۳ به طور کامل اجرا شده‌است، که اطلاعات جامع تری در مورد شرایط ترافیکی بزرگراه فراهم می‌کند، در نتیجه قابلیت را برای پیش‌بینی ‌اطمینان زمان سفر در بخش‌های بزرگراه فراهم می‌کند. براساس داده‌های هر دو سیستم ETC و آشکارساز وسایل نقلیه (VDs)، این تحقیق یک رویکرد پیش‌بینی زمان سفر را پیشنهاد می‌دهد که تکنیک اصلی ترکیب اطلاعات به دنبال دستیابی یکپارچه الگوی مکانی-زمانی از جریان ترافیک بزرگراه با انطباق پویاشناسی ترافیک است که از داده‌های ETC و VD مشخص شده‌است. در این صورت مدل‌های پیش‌بینی ساخته می‌شوند که در آن فیلتر کالمن برای پیش‌بینی کوتاه‌مدت بکار گرفته می‌شود و تبدیل سری فوریه برای پیش‌بینی بلند مدت براساس مدل‌سازی پیوسته پارامتری شده از سرعت سفر نقطه‌ای استفاده می‌شود. روش پیشنهادی به عنوان یک سیستم آنلاین توسعه‌یافته با استفاده از جاوا، همراه با داده‌های دنیای واقعی جمع‌آوری‌شده از بزرگراه در تایوان، برای آزمایش‌ها عددی به اجرا در می‌آید. خطاهای پیش‌بینی بزرگ‌تر از ۱۰ % در اکثر موارد وجود دارند، که دقت بالای قابلیت پیش‌بینی مدل را نشان می‌دهد. نتایج دلگرم‌کننده همچنین مزایای پردازش پیش از پردازش داده‌ها و ادغام داده‌ها را در بهبود کیفیت داده و قابلیت کاربرد نشان می‌دهد.

کلمات کلیدی: پیش بینی زمان سفر آزادراه؛ تلفیق داده ها؛ الگوی ترافیکی مکانی - زمانی؛ فیلتر کالمن؛ تبدیل فوریه

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/3bBwxFp

عنوان فارسی مقاله : شناسایی داده های خارج از محدوده و مقدار گم شده در مدل ARIMA فصلی با استفاده از داده های بارندگی
.
English Article Title: Outlier Detection and Missing Value in Seasonal ARIMA Model Using Rainfall Data
Year: 2018
Publisher: Elsevier
Journal: Materials Today: Proceedings
DOI: https://doi.org/10.1016/j.matpr.2017.11.277

Keywords:
#Seasonal_ARIMA_Model
#Missing value
#Innovative_Outlier
#Seasonal_Additive_Outlier
#Forecasting
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#زمین_و_علوم_سیاره_ای (#Earth_and_Planetary_Sciences)
#مقاله_مهندسی (#Engineering)
#مقاله_علوم_مواد (#Materials_Science)
#مقاله_ریاضی(#Mathematics)
#مدل_ARIMA_فصلی
#مقدار_از_دست_رفته
#نوآورانه
#داده_های_خارج_از_محدوده_افزایشی_فصلی
#پیش_بینی

چکیده مقاله:
پیش بینی روند بارش باران در علوم هواشناسی و علوم محیطی دشوار است. رویکردهای آماری از تجزیه و تحلیل سری ها روش دیگری برای پیش بینی بارش است. مدل ARIMA شامل ویژگی های فصلی است که به عنوان مدل ARIMA فصلی اختصاص داده شده است. داده های سری زمانی داده های بارش ماهانه از سال 2006 تا 2016 است. این مدل به عنوان SARIMA (1،1،) (01، 1، 1) در این مطالعه مشخص شد. یک مشکل جدی در تجزیه و تحلیل داده های باران، این است که چه زمانی باید انجام شود، در حالی که از دست رفته یا مقادیر شدید رخ می دهد، شاید به علت شکست در تجهیزات شمارش اتوماتیک است.
کلمات کلیدی: مدل ARIMA فصلی ، مقدار از دست رفته ، نوآورانه ، داده های خارج از محدوده افزایشی فصلی ، پیش بینی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/3dVrX6j

عنوان فارسی مقاله : روش روزانه فضا-زمان برای پیش بینی زمان سفر کوتاه مدت بزرگراه
.
English Article Title: A space–time diurnal method for short-term freeway travel time prediction
Year: 2014
Publisher: Elsevier
Journal: Transportation Research Part C: Emerging Technologies
DOI: https://doi.org/10.1016/j.trc.2013.10.007

Keywords:
#Spatial_and_temporal_correlation
#Space_time
#Diurnal
#Freeway_link
#Probabilistic
#Travel_time_prediction
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_مهندسی (#Engineering)
#مقاله_ریاضی(#Mathematics)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#همبستگی_مکانی_و_زمانی
#زمان_و_مکان
#روزانه
#لینک_آزادراه
#احتمالی
#پیش_بینی_زمان_سفر

چکیده مقاله:
تعدادی از روش های پیش بینی زمان سفر کوتاه مدت در دهه گذشته توسعه یافته است. با این حال، مطالعات اندکی به طور همزمان در رویکرد پیش بینی به اطلاعات فضا و زمان سفر پرداخته است. در این مطالعه، ما یک روش روزانه فضا-زمان (ST-D)، است که ادغام اطلاعات زمان سفر فضا و زمان برای به دست آوردن دقیق پیش بینی زمان سفر کوتاه مدت برای کریدورهای بزرگراه تحت شرایط ترافیک مختلف ارائه شده است. رویکرد پیشنهادی می تواند ویژگی های مهم زمان های سفر را در نظر بگیرد: ارتباط فضا و زمان، الگوی روزانه و عدم توجه به زمان سفر. ما از دو توزیع برای مدل سازی میانگین زمان سفر 5 دقیقه ای استفاده می کنیم: یک توزیع نرمال مختلط و یک توزیع غیر منطقی. بر خلاف بسیاری از روش های موجود است که عملکرد یک پیش بینی نقطه ای از زمان سفر کوتاه مدت، این روش مدل سازی احتمالاتی می تواند اشکالاتی از پیش بینی نقطه با برازش توزیع احتمال غلبه برای توصیف عدم اطمینان از زمان سفر آینده، و از آن فواصل پیش بینی می تواند محاسبه شود. ما از برآورد حداقل امتیاز احتمالی (CRPS) استفاده می کنیم تا عددی پارامترهای مدل پیش بینی را برآورد کنیم. روش ST-D با استفاده از داده های زمان سفر بر روی یک بخش در امتداد ایالات متحده آمریکا آمریکا-290 در هوستون تگزاس مورد بررسی قرار می گیرد. روش پيشنهادی پيش بينی زمان سفر در فاصله زمانهای 5 دقيقه را تا 1 ساعت پيش بينی می کند. مشخص شده که داده های زمان سفر از لینک های همسایه در امتداد کریدورهای بزرگراه را می توان به طور موثر برای به دست آوردن اطمینان کوتاه مدت پیش بینی زمان سفر استفاده می شود. نتایج تحقیق نشان می دهد که روش ST-D قوی تر از مدل های خودهمبسته مرسوم است.
کلمات کلیدی: همبستگی مکانی و زمانی، زمان و مکان، روزانه، لینک آزادراه، احتمالی، پیش بینی زمان سفر

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2Z9locn

عنوان فارسی مقاله : پیش بینی زمان سفر با تجربه برای بزرگراه های شلوغ
.
English Article Title: Experienced travel time prediction for congested freeways
Year: 2013
Publisher: Elsevier
Journal: Transportation Research Part B: Methodological
DOI: https://doi.org/10.1016/j.trb.2013.03.006

Keywords:
#Congestion_maps
#Travel_times
#Freeway
#Prediction
#Traffic_flow
#علوم_زیستی_و_کشاورزی (#Life_Sciences)
#مقاله_محیط_زیست (#Environmental_Science)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#نقشه_تراکم
#زمان_سفر
#آزادراه
#پیش_بینی
#جریان_ترافیک

چکیده مقاله:
زمان سفر یک معیار عملکردی مهم برای سیستم‌های حمل و نقل، و انتشار اطلاعات زمان سفر است که می‌تواند به مسافران کمک کند تا تصمیم‌های مهم سفر مانند انتخاب مسیر یا زمان سفر را اتخاذ کنند. از آنجا که داده‌های ترافیکی که در زمان واقعی جمع‌آوری می‌شوند منعکس‌کننده شرایط گذشته یا فعلی در بزرگراه هستند، یک روش زمان سفر پیش‌بینی‌کننده باید برای به دست آوردن اطلاعات منتشر شده مورد استفاده قرار گیرد. با این حال، بخش مهمی از ادبیات یا از فرض زمان سفر آنی استفاده می‌کند و زمان سفر بخش‌های بزرگراه در زمان شروع سفر را می‌پردازد، یا از الگوریتم های پیش‌بینی آماری برای پیش‌بینی زمان سفر آینده استفاده می‌کند. این مطالعه از اصول جریان ترافیک موجود (به عنوان مثال آنالیز شوک و شناسایی تنگراه)بهره می‌برد و از هر دو اطلاعات گذشته و زمان واقعی برای ارائه پیش‌بینی زمان سفر استفاده می‌کند. چارچوب روش‌شناسی این رویکرد، شامل الگوریتم شناسایی تنگراه، خوشه‌بندی داده‌های ترافیک در سازمانهای ترافیکی با ویژگی‌های مشابه، توسعه نقشه‌های تراکم تصادفی برای داده‌های گروهی و یک الگوریتم جستجوی ازدحام آنلاین است که داده‌های گذشته و داده‌های زمان واقعی را با زمان شروع سفر ترکیب می‌کند. نتایج تجربی بر مبنای داده‌های آشکارساز حلقه بر روی بزرگراه های کالیفرنیا نشان می‌دهد که روش پیشنهادی پیش‌بینی‌های زمان سفر امیدوارکننده را تحت شرایط مختلف ترافیک فراهم می‌کند.
کلمات کلیدی: نقشه تراکم، زمان سفر، آزادراه، پیش بینی، جریان ترافیک

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/362Jsz8

عنوان فارسی مقاله : مدل خطی پویا بیزی برای پیش بینی زمان سفر کوتاه مدت در زمان واقعی بزرگراه
.
English Article Title: A bayesian dynamic linear model approach for real-time short-term freeway travel time prediction
Year: 2011
Publisher: Elsevier
Journal: Transportation Research Part C: Emerging Technologies
DOI: https://doi.org/10.1016/j.trc.2010.10.005

Keywords:
#Real_time_travel_time_prediction
#Advanced_Traveler_Information_Systems
#Bayesian_inference
#Prediction_confidence_intervals
#Adaptive_control
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#علوم_انسانی_و_اجتماعی (#Social_Sciences_and_Humanities)
#مقاله_علوم_اجتماعی (#Social_Sciences)
#پیش_بینی_زمان_سفر_در_زمان_واقعی
#سیستم_های_اطلاعات_پیشرفته_مسافر
#استنباط_بیزی
#فواصل_اطمینان_پیش_بینی
#کنترل_تطبیقی

چکیده مقاله:
این مقاله یک مدل خطی پویای بیزی (DLM)را برای پیش‌بینی زمان سفر کوتاه‌مدت آنلاین در مسیر بزرگراه، ارائه می‌کند. روش پیشنهادی زمان سفر بزرگراه پیش‌بینی‌شده را به عنوان مجموع متوسط زمان سفر گذشته، تغییرات تصادفی در زمان سفر ، و خطای تکامل مدل در نظر می‌گیرد، که در آن میانه برای تشخیص الگوی زمان سفر اولیه بکار گرفته می‌شود در حالی که تنوع عرضه غیر منتظره (یعنی ظرفیت)کاهش و نوسانات تقاضا را ثبت می‌کند. پیش‌بینی بیزی یک فرآیند یادگیری است که به طور مداوم وضعیت دانش قبلی زمان سفر براساس اطلاعات در دسترس را مورد بازبینی قرار می‌دهد. نتیجه پیش‌بینی یک توزیع زمان سفر است که می‌تواند برای تولید یک مقدار واحد (معمولا نه لزوما میانگین)زمان سفر و همچنین یک فاصله اطمینان از عدم قطعیت پیش‌بینی زمان سفر بکار رود. برای دتکتوری بهتر زمان سفر در طی تراکم غیرتکراری ناشی از رویداده‌ای پیش‌بینی‌نشده (به عنوان مثال، حوادث، تصادف و یا آب و هوای بد)، DLM در چارچوب کنترل تطبیقی ادغام می‌شود که می‌تواند به طور خودکار سطح نویز تکامل سیستم را یاد بگیرد و تنظیم کند. نتایج آزمایش براساس داده‌های آشکارساز(دتکتور) حلقه واقعی یک بخش ۶۶ I -در ویرجینیای شمالی، نشان می‌دهد که روش پیشنهادی قادر به ارائه پیش‌بینی زمان سفر دقیق و قابل‌اطمینان تحت شرایط ترافیکی تکراری و غیرتکراری می‌باشد.
کلمات کلیدی: پیش بینی زمان سفر در زمان واقعی، سیستم های اطلاعات پیشرفته مسافر، استنباط بیزی، فواصل اطمینان پیش بینی، کنترل تطبیقی

لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2LwYJyv