مقاله یادگیری بدون نظارت برای طبقه بندی توپولوژیکی شبکه های حمل و نقل

چکیده

With increasing urbanization, transportation plays an increasingly critical role in city development. The number of studies on modeling, optimization, simulation, and data analysis of transportation systems is on the rise. Many of these studies utilize transportation test networks to represent real-world transportation systems in urban areas, examining the efficacy of their proposed approaches. Each of these networks exhibits unique characteristics in their topology, making their applications distinct for various study objectives. Despite their widespread use in research, there is a lack of comprehensive study addressing the classification of these networks based on their topological characteristics. This study aims to fill this gap by employing unsupervised learning methods, particularly clustering. We present a comprehensive framework for evaluating various topological network characteristics. Additionally, we employ two dimensionality reduction techniques, namely Principal Component Analysis (PCA) and Isometric Feature Mapping (ISOMAP), to reduce overlaps of highly correlated features and enhance the interpretability of the subsequent classification results. We then utilize two clustering algorithms, K-means and HDBSCAN, to classify 14 transportation networks. The PCA method, followed by the K-means clustering approach, outperforms other alternatives with a Silhouette score of $0.510$, enabling the classification of transportation networks into five clusters. We also provide a detailed discussion on the resulting classification.

چکیده به فارسی (ترجمه ماشینی)

با افزایش شهرنشینی ، حمل و نقل نقش فزاینده ای در توسعه شهر ایفا می کند.تعداد مطالعات در مورد مدل سازی ، بهینه سازی ، شبیه سازی و تجزیه و تحلیل داده های سیستم های حمل و نقل در حال افزایش است.بسیاری از این مطالعات از شبکه های تست حمل و نقل برای نشان دادن سیستم های حمل و نقل در دنیای واقعی در مناطق شهری استفاده می کنند و اثربخشی رویکردهای پیشنهادی آنها را بررسی می کنند.هر یک از این شبکه ها ویژگی های منحصر به فردی را در توپولوژی خود نشان می دهند و برنامه های خود را برای اهداف مختلف مطالعه متمایز می کنند.علیرغم استفاده گسترده آنها در تحقیقات ، فقدان مطالعه جامع در مورد طبقه بندی این شبکه ها بر اساس ویژگی های توپولوژیکی آنها وجود دارد.این مطالعه با استفاده از روشهای یادگیری بدون نظارت ، به ویژه خوشه بندی ، این شکاف را پر می کند.ما یک چارچوب جامع برای ارزیابی ویژگی های مختلف شبکه توپولوژیکی ارائه می دهیم.علاوه بر این ، ما از تکنیک های کاهش ابعادی ، یعنی تجزیه و تحلیل مؤلفه اصلی (PCA) و نقشه برداری ویژگی ایزومتریک (ISOMAP) استفاده می کنیم تا همپوشانی ویژگی های بسیار همبسته را کاهش داده و تفسیر نتایج طبقه بندی بعدی را تقویت کنیم.سپس ما از دو الگوریتم خوشه بندی ، K-Means و HDBSCAN استفاده می کنیم تا 14 شبکه حمل و نقل را طبقه بندی کنیم.روش PCA ، و به دنبال آن رویکرد خوشه بندی K-Means ، از سایر گزینه های دیگر با نمره سیلت 0.510 $ $ بهتر عمل می کند و این امکان را فراهم می کند که طبقه بندی شبکه های حمل و نقل را به پنج خوشه انجام دهد.ما همچنین یک بحث مفصل در مورد طبقه بندی حاصل ارائه می دهیم.