تعیین گونه سفر مبتنی بر پویشگر شبکه وایفای با استفاده از شبکه فازی-عصبی تطبیقی

آگاهی از گونه سفر و الگوی حرکت شهروندان  همواره مورد توجه مدیران شهری در حوزه مدیریت حمل و نقل و ترافیک بوده است. بهنگام نبودن و هزینه اجرایی روش های سنتی جمع آوری اطلاعات مانند استفاده از پرسشنامه و ظهور فنآوری های جدید موجب شده است تا از ابزارهای ارتباطی همچون تلفن همراه جهت جمع آوری و تحلیل داده های ترافیکی استفاده شود. در این میان قابلیت های شبکه های وایفای تلفن همراه همچون عمومیت، قابلیت دسترسی بالا و هزینه پایین، مورد توجه سامانه های حمل و نقل هوشمند بوده است.در این پژوهش با استفاده از تعریف سه ویژگی بر روی سیگنال های جمع آوری شده از وای فای کاربران و بهره گیری از مدل شبکه فازی-عصبی تطبیقی، کاربران ناحیه تحت پوشش در سه دسته طبقه بندی می گردند. این سه دسته عبارتند از: عابرین پیاده، خودروهای عبوری و کاربرانی که در ناحیه مذکور توقف طولانی مدت داشته اند.. نتایج نشان می دهد، مدل پیشنهادی به ازای بکارگیری روش خوشه بندی کاهشی برای تعیین تابع عضویت اولیه ویژگی ها توانسته است با دقت 83 درصد کاربران مذکور را طبقه بندی نماید .همچنین میزان صحت و بازخوانی تشخیص خودروهای عبوری در این ناحیه به ترتیب 75 و 90 درصد است.

Travel Mode Detection based on WiFi Signal Probe Using ANFIS

Recognizing the pattern of movement and the traveling mode is one of the most important issues in the field of urban analysis and transportation management. Disadvantages of the traditional method such as the questionnaire is the lack of availability and cost. So, after the emergence of new technologies, communication tools such as mobile phones are used to collect and analyze traffic data. The WiFi network has been considered by intelligent transportation systems due to high availability and low cost. In this research, users in the specific area are classified into three categories using the WiFi scanner. Pedestrians, passing cars and users who stop in the area for long time. This classification has been made using the extraction three features on the users’ WiFi signals and using an adaptive networkbased fuzzy inference system (ANFIS) model. The results show that the proposed model for using the subtractive clustering method in the first layer of ANFIS to determine the initial membership function of the features has been able to classify the three categories with a accuracy of 84%, and the precision and recall of the user’s detection Which used cars in this area, was 75% and 90%, respectively.