آنالیز ماتریس درهم‌ریختگی در طبقه‌بندی چندبرچسبی برای توسعه سیکل رانندگی در شهر بابل

یکی از مهم‌ترین عوامل تاثیرگذار در استخراج چرخه‌های رانندگی، دسته‌بندی و آنالیز داده‌های جمع‌آوری‌شده از مسیرهای آزمون است. در این مقاله یک چرخه رانندگی بر اساس طبقه‌بندی داده‌های شهری ذخیره شده از شهر بابل با استفاده از الگوریتم ماشین بردار پشتیبان، توسعه داده می‌شود. برای این منظور، داده‌های مسیرهای شهری در شهر بابل با استفاده از نرم‌افزار موبایل ذخیره شده است و با استخراج مولفه‌های اصلی از این داده‌ها و همچنین ریزسفرها و طبقه‌بندی آنها در چهار دسته مسیرهای شهری، فرعی، بزرگراهی و آزادراهی با استفاده از الگوریتم ماشین بردار پشتیبان، سیکل نهایی استخراج شده است. به طور معمول آنالیز ماتریس درهم‌ریختگی برای طبقه‌بندی‌های دوتایی یا به‌اصطلاح باینری صورت می‌گیرد اما می‌توان برای طبقه‌بندی‌های بیشتر از دو دسته نیز آن را تعمیم داد. نتایج حاصل از آنالیز این ماتریس برای طبقه‌بندی چند برچسبی داده‌ها با استفاده از هسته‌های الگوریتم ماشین بردار پشتیبان نشان می‌دهد هسته خطی بهترین عملکرد را در مقایسه با هسته‌های دیگر دارد و بادقت 100% در ماتریس درهم‌ریختگی، برای توسعه چرخة رانندگی شهر بابل استفاده شده می‌شود. همچنین با وجود دقت بالا در طبقه‌بندی برخی هسته‌ها، مدل نهایی آنها قابل‌اتکا نیست و نمی‌توان چرخه نهایی را بر اساس آنها برای این نوع داده‌ها ارائه کرد.

analysis of confusion matrix in multi-label classification to develop the driving cycle in babol city

one of the most important influencing factors in the extraction of driving cycles is the classification and analysis of the data collected from the test routes. in this article, a driving cycle is developed based on the classification of urban data stored in the city of babol using the support vector machine algorithm. for this purpose, the data of urban routes in the city of babol has been stored using mobile software and by extracting the main components from these data as well as micro-trips and classifying them into four categories of urban, secondary, highways and motorway routes and the final cycle has been extracted using the support vector machine algorithm. usually, the analysis of the confusion matrix is done for binary classifications, but it can be generalized for classifications with more than two categories. the results of the analysis of this matrix for multi-label classification of data using support vector machine algorithm kernels show that the linear kernel has the best performance compared to other kernels and with 100% accuracy in the confusion matrix, to develop the cycle of babol city. also, despite the high accuracy in the classification of some kernels, their final model is not reliable and it is not possible to present the final cycle based on them for this type of data.