دانلود ترجمه مقاله درک و شخصی سازی سرویس های شهر هوشمند با استفاده از یادگیری ماشین، اینترنت اشیا و داده های بزرگ

1. مقدمه 2. پژوهش های مرتبط 3. روش تحقیق – الگوریتم ها و دسته بندها 4. مجموعه های داده ای 5. آنالیز مقایسه ای و نتایج 6. نتیجه گیری

چکیده – این مقاله پتانسیل های یادگیری ماشین (ML) و هوش مصنوعی (AI) به منظور اهرم قرار دادن اینترنت اشیا (IoT) و داده های بزرگ در توسعه سرویس های شخصی سازی شده در شهرهای هوشمند تشریح کرده است. ما این کار را با مطالعه عملکرد چهار الگوریتم دسته بندی ML معروف یعنی شبکه بیزی (BN)، بیزی ساده (NB)، J48، و نزدیک ترین همسایه (NN) در همبستگی تاثیرات داده های آب و هوایی (به ویژه بارندگی و دما) روی مسافت های کوتاه طی شده توسط دوچرخه سواران در لندن انجام داده ایم. عملکرد الگوریتم ها از نظر دقت، قابلیت اطمینان و سرعت مورد ارزیابی قرار گرفته اند. این داده ها توسط سیستم حمل و نقل لندن (TfL) و اداره هواشناسی انگلستان ارائه شده اند. ما از یک نمونه تصادفی از 1,800,000 نمونه، شامل 6 دیتابیس خصوصی، استفاده کرده ایم که در پلتفرم WEKA مورد ارزیابی قرار داده ایم. نتایج نشان می دهند که همبستگی بالایی بین مشخصه های آب و هوایی و داده های بزرگ آنالیز شده وجود دارد. مشاهدات قابل توجهی وجود دارند که به طور متوسط در آن ها الگوریتم J48 درخت تصمیم گیری به خوبی از نظر دقت انجام گرفته است در حالی که الگوریتم kNN IBK سرعت بیشتری در ایجاد مدل ها دارد. نهایتاً ما یک کاربر شهر هوشمند IoT را پیشنهاد دادیم که می تواند مزایای زیادی را به همراه داشته باشد.

This paper explores the potential of Machine Learning (ML) and Artificial Intelligence (AI) to lever Internet of Things (IoT) and Big Data in the development of personalised services in Smart Cities. We do this by studying the performance of four well-known ML classification algorithms (Bayes Network (BN), Naïve Bayesian (NB), J48, and Nearest Neighbour (NN)) in correlating the effects of weather data (especially rainfall and temperature) on short journeys made by cyclists in London. The performance of the algorithms was assessed in terms of accuracy, trustworthy and speed. The data sets were provided by Transport for London (TfL) and the UK MetOffice. We employed a random sample of some 1,800,000 instances, comprising six individual datasets, which we analysed on the WEKA platform. The results revealed that there were a high degree of correlations between weather-based attributes and the Big Data being analysed. Notable observations were that, on average, the decision tree J48 algorithm performed best in terms of accuracy while the kNN IBK algorithm was the fastest to build models. Finally we suggest IoT Smart City applications that may benefit from our work.