Методы и алгоритмы оценки и учета пользовательских предпочтений в персональной транспортной интеллектуальной рекомендательной системе тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Бородинов Александр Александрович

• Бородинов Александр Александрович
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Бородинов Александр Александрович

ВВЕДЕНИЕ

РАЗДЕЛ 1 МЕТОДЫ ОЦЕНКИ И УЧЕТА ПРЕДПОЧТЕНИЙ В ПЕРСОНАЛЬНЫХ ТРАНСПОРТНЫХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ: СОВРЕМЕННЫЕ НАУЧНЫЕ НАПРАВЛЕНИЯ, РЕШЕНИЯ И ОСНОВНЫЕ ЗАДАЧИ

1.1 Подходы контентной фильтрации в транспортных рекомендательных системах

1.2 Подходы коллаборативной фильтрации в транспортных рекомендательных системах

1.3 Подходы гибридной фильтрации в транспортных рекомендательных системах

1.4 Используемые наборы данных в современных научных исследованиях

1.5 Признаки выбора маршрута пользователем

1.5.1 Признаки выбора маршрута пользователем для общественного транспорта

1.5.2 Признаки выбора маршрута пользователем для индивидуального транспорта

1.6 Выводы и результаты первого раздела

РАЗДЕЛ 2 МЕТОДЫ ОЦЕНКИ ПРЕДПОЧТЕНИЙ ПРИ ПЛАНИРОВАНИИ КОРРЕСПОНДЕНЦИЙ

2.1 Метод оценки предпочтений на основе парных сравнений и перехода в признаковое пространство большей размерности

2.1.1 Постановка задачи

2.1.2 Метод парных сравнений

2.1.3 Схема предлагаемого подхода

2.1.4 Банк базисов

2.1.5 Методы машинного обучения

2.1.6 Построение описания корреспонденций на индивидуальном транспортном средстве

2.1.7 Построение описания корреспонденций на общественном ТС

2.1.8 Экспериментальные исследования на модельных данных

2.1.9 Экспериментальные исследования на натурных данных

2.2 Метод ранжирования списка целей корреспонденций на основе алгоритма вычисления оценок

2.2.1 Данные запросов пользователей к мобильному приложению

2.2.2 Предложенный метод, основанный на алгоритме вычисления оценок

2.2.3 Репозиторий классических методов машинного обучения

2.2.4 Предварительная обработка набора данных: решение проблемы холодного старта

2.2.5 Экспериментальные исследования

2.3 Выводы и результаты второго раздела

РАЗДЕЛ 3 АЛГОРИТМЫ РЕКОНСТРУКЦИИ КОРРЕСПОНДЕНЦИЙ ПО ПРЯМОЙ И КОСВЕННОЙ ИНФОРМАЦИИ О КОРРЕСПОНДЕНЦИЯХ

3.1 Алгоритм реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города

3.1.1 Классификация типичных ошибок в исходных данных о корреспонденциях

3.1.2 Входные данные алгоритма реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города

3.1.3 Результат работы алгоритма реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города

3.1.4 Алгоритм реконструкции трека по GPS-точкам перемещений

3.1.5 Алгоритм оценки реконструированного трека

3.1.6 Экспериментальные исследования алгоритма реконструкции трека корреспонденции

3.2 Реконструкция транспортных корреспонденций пользователя на общественном транспорте по косвенной информации о произведенных корреспонденциях

3.2.1 Основные понятия и обозначения

3.2.2 Данные мобильного приложения «Прибывалка-63»

3.2.3 Метод реконструкция транспортных корреспонденций пользователя на общественном транспорте

3.2.4 Экспериментальные исследования на модельных данных

3.2.5 Экспериментальные исследования на натурных данных мобильного сервиса

3.3 Выводы и результаты третьего раздела

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Б.1. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль оценки пользовательских предпочтений и функции полезности с использованием методов машинного обучения»

Б.2. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль получения профиля индивидуальных предпочтений участника движения на общественном транспорте»

Б.3. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль краткосрочного прогнозирования параметров транспортных потоков на основе технологии «Больших данных» с

использованием данных реального времени и архивных данных о состоянии транспортных потоков»

Б.4. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль прогнозирования времени прибытия общественного транспорта с использованием рекуррентной нейронной сети»

ПРИЛОЖЕНИЕ В

В.1. Акт об использовании результатов диссертации в акционерном обществе «Самара-Информспутник»

В.2. Акт об использовании результатов диссертации в федеральном государственном автономном образовательном учреждении высшего образования «Самарский национальный исследовательский университет имени академика С.П. Королева»

ВВЕДЕНИЕ

Диссертация посвящена разработке методов и алгоритмов оценки и учета пользовательских предпочтений в персональной транспортной интеллектуальной рекомендательной системе.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы оценки и учета пользовательских предпочтений в персональной транспортной интеллектуальной рекомендательной системе»

Актуальность темы исследования

Широкое распространение и активное использование современных систем электронных коммуникаций, глобальных навигационных систем, активных и пассивных датчиков различного типа и назначения позволило получить большой объем разнородных данных, характеризующих транспортную ситуацию в городе. Подобная информация может быть использована и используется в навигационных или рекомендательных системах и сервисах достаточно широко. Однако, наряду с развитием сервисов и их популяризацией растет не только количество информации, которую приходится учитывать при планировании перемещений, но также растут ожидания и требования пользователей. Вместо классических задач поиска кратчайшего пути или получения прогноза прибытия на остановку общественного транспорта пользовательский спрос индивидуализируется, смещая ожидания от сервисов в сторону персональных рекомендаций. Несмотря на то, что окончательное решение или выбор в подобных системах остается за человеком, варианты предлагаемых решений существенным образом оказываются зависимы не только от сценарных условий запроса, но и от предыдущих действий и решений пользователя. Учет всех обозначенных факторов возможен в самоподстраивающихся под индивидуальные предпочтения пользователей системах на основе методов машинного обучения. Но быстрому развитию подобных сервисов препятствует несовершенство существующих алгоритмов и отсутствие значительного опыта в использовании методов машинного обучения в системах подобного рода.

Задаче оценки и учета пользовательских предпочтений при планировании корреспонденций на общественном и личном транспорте посвящено большое количество работ, особенно на английском языке (под транспортной

корреспонденцией понимается перемещение пользователя из точки отправления в точку назначения). Можно выделить наиболее популярные направления и подходы:

- построение «модели пользователя» на основе байесовских методов в подходах контентной фильтрации [1-10];

- применение подходов коллаборативной фильтрации для причисления пользователя системы к группе пользователей со схожими предпочтениями [11-19];

- проведение анкетирования пользователей для определения предпочтений пользователя на этапе инициализации системы [1,2,6,12,20,21].

Стоит отметить, что практически все работы и существующие подходы обладают в той или иной степени следующими недостатками:

- проблема холодного старта: неспособность системы предоставлять точные рекомендации при малом количестве информации о пользователе и данных о его действиях на начальном этапе работы;

- отсутствие персонализированных рекомендаций: существующие системы относят пользователя к группам пользователей со схожими предпочтениями, теряя индивидуальные предпочтения;

- неспособность учета изменения предпочтений пользователя во времени и от контекста ситуации;

- направленность на предоставление рекомендаций маршрутов и слабое развитие других компонентов транспортных рекомендательных систем;

- отсутствие единого набора данных для сравнения существующих методов.

Для снижения влияния указанных недостатков исследователи все чаще применяют гибридные методы [20-29], совмещая различные существующие подходы к построению транспортных рекомендательных систем.

В рамках диссертации также рассматриваются вспомогательные задачи, такие как реконструкция маршрута передвижения пользователя. Обзор

существующих подходов для вспомогательных задач представлен в третьем разделе.

Учитывая все изложенные выше тезисы, тема диссертационной работы в целом, так и отдельные выбранные направления исследований в частности являются безусловно актуальными. Далее в диссертации под транспортной корреспонденцией пользователя понимается требуемое перемещение пользователя из точки отправления в точку назначения.

Цели и задачи исследования

Целью диссертации является разработка методов и алгоритмов оценки и учета пользовательских предпочтений при планировании корреспонденций пользователей на общественном и личном транспорте, обеспечивающих построение персональной транспортной интеллектуальной рекомендательной системы и эффективность ее функционирования.

Для достижения поставленной цели в диссертации решаются следующие задачи:

1. Разработка и исследование методов и алгоритмов оценки и учета предпочтений при планировании корреспонденций.

2. Выбор и исследование признаков описания корреспонденций на индивидуальном и общественных транспортных средствах.

3. Разработка и исследование алгоритмов реконструкции корреспонденций по прямой и косвенной информации о корреспонденции.

4. Постановка экспериментов на натурных данных, полученных при помощи мобильного приложения «Прибывалка-63» и сервиса tosamara.ru.

Поставленные задачи определяют структуру работы и содержание её разделов.

Методология и методы исследования

В диссертационной работе используются методы теории вероятностей, статистического анализа и методы машинного обучения.

Научная новизна работы

1. Предложен метод оценки предпочтений на основе парных сравнений и перехода в признаковое пространство большей размерности.

2. Предложены признаки описания корреспонденций на индивидуальных и общественных транспортных средствах, обеспечивающие высокое качество решения задачи оценки предпочтений.

3. Предложен новый метод ранжирования списка целей корреспонденции на основе алгоритма вычисления оценок, обеспечивающий выполнение ранжирования при показателях качества, близких к оптимальным.

4. Предложен новый алгоритм реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города, превосходящий существующие решения по показателю качества реконструкции.

5. Предложен новый алгоритм реконструкции транспортных корреспонденций пользователя на общественном транспорте по косвенной информации о корреспонденциях с использованием статистического подхода.

Практическая значимость работы

Разработанные методы и алгоритмы могут быть использованы в составе интеллектуальных транспортных систем, систем рекомендаций в интернет-магазинах, систем рекомендаций медиаконтента, и прочих рекомендательных системах.

Соответствие специальности

Результаты исследования соответствуют следующим пунктам паспорта научной специальности 05.13.17 - Теоретические основы информатики:

п.1 Исследование, в том числе с помощью средств вычислительной техники, информационных процессов, информационных потребностей коллективных и индивидуальных пользователей.

п.5 Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений.

Реализация результатов работы

Результаты диссертации были использованы при выполнении федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014 - 2020 годы» по теме: «Персональный цифровой автотранспортный помощник» (Уникальный идентификатор проекта RFMEFI57518X0177; Соглашение о предоставлении субсидии от «26» ноября 2018 года номер соглашения ЭБ 075-02-2018-205; Соглашение о предоставлении субсидии от «03» июня 2019 года номер соглашения ЭБ 075-15-2019-062, внутренний номер соглашения 14.575.21.0177), что подтверждается актом внедрения АО «Самара-Информспутник» и актом внедрения ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева».

Степень достоверности и апробация результатов

Основные результаты научно-квалификационной работы были представлены на 10 научных конференциях:

- 10-ая международная конференция «International Conference on Machine Vision» (ICMV-2017, Вена, Австрия);

- 2-я международная конференция «International Conference Mechanical, System and Control Engineering» (ICMSC-2018, Москва, Россия);

- международная конференция SPIE Remote Sensing (SPIE-2018, Берлин, Германия);

- международная научно-техническая конференция «Перспективные информационные технологии» (ПИТ-2019, Самара, Россия);

- 5-ая международная конференция «Информационные технологии и нанотехнологии» (ИТНТ-2019, Самара, Россия);

- 8-ая международная конференция «Analysis of Images, Social networks and Texts» (AIST-2019, Казань, Россия);

- 21-я международная конференция «Complex Systems: Control and Modelling Problems» (CSCMP-2019, Самара, Россия);

- 12-ая международная конференция «International Conference on Machine Vision» (ICMV-2019, Амстердам, Нидерланды);

- международная научно-техническая конференция «Перспективные информационные технологии» (ПИТ-2020, Самара, Россия);

- 6-ая международная конференция «Информационные технологии и нанотехнологии» (ИТНТ-2020, Самара, Россия).

Публикации

По теме диссертации опубликовано 17 работ. Из них 9 работ опубликованы в изданиях, входящих в международные реферативные базы данных Scopus и/или WebOfScience. 4 работы выполнены без соавторов. Получено 4 свидетельства о регистрации программы для ЭВМ. Для удобства читателя ссылки на публикации автора в тексте отмечены *.

Структура диссертации

Диссертация состоит из трех разделов, заключения, списка литературы из 135 наименований; изложена на 131 странице машинописного текста, содержит 21 рисунок, 13 таблиц, 3 приложения.

На защиту выносятся

1. Метод оценки предпочтений на основе парных сравнений и перехода в признаковое пространство большей размерности.

2. Признаки описания корреспонденций на индивидуальном и общественных транспортных средствах.

3. Метод ранжирования списка целей корреспонденции на основе алгоритма вычисления оценок.

4. Алгоритм реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города.

5. Алгоритм реконструкции транспортных корреспонденций пользователя на общественном транспорте по косвенной информации о корреспонденциях.

6. Результаты экспериментальных исследований, подтвердившие работоспособность и эффективность разработанных методов и алгоритмов.

Краткое содержание диссертации

В первом разделе диссертации приводится оценка современного состояния задачи оценки и учета предпочтений пользователей транспортных рекомендательных систем. Дана классификация подходов к построению рекомендательных систем, определены преимущества и недостатки. Проведен анализ существующих научных подходов оценки предпочтений (англ.: preference elicitation) и предоставления рекомендаций в выборе маршрута с использованием индивидуального и общественного транспорта. Определены наборы данных, используемые в существующих работах, и основные признаки, описывающие предпочтения пользователей транспортных рекомендательных систем.

Во втором разделе диссертации решается задача оценки и учета предпочтений пользователя при планировании корреспонденций. Приведена постановка задачи. Предложен метод оценки и учета предпочтений, основанный на реконструкции функции предпочтений, заданной неявно результатами парных сравнений, и переходе в признаковое пространство большей размерности с классификацией результатов сравнений. Проведены экспериментальные исследования по оценке эффективности предложенных решений на модельных и натурных данных. Предложен метод ранжирования списка целей корреспонденций на основе алгоритма вычисления оценок. В экспериментальных исследованиях по оценке эффективности в качестве целей выступают предпочитаемые пользователем остановки.

Третий раздел диссертации посвящён разработке алгоритмов реконструкции транспортных корреспонденций по прямой и косвенной информации о корреспонденциях. В качестве информации выступают данные GPS треков и данные мобильного сервиса «Прибывалка-63». Предложен алгоритм реконструкции трека корреспонденции по данным GPS измерений и графу улично-дорожной сети города. Представлен оригинальный метод реконструкции

транспортных корреспонденций пользователя на общественном транспорте по косвенной информации о произведенных корреспонденциях. Проведены экспериментальные исследования по оценке эффективности предложенных решений на смоделированных и натурных данных.

РАЗДЕЛ 1 МЕТОДЫ ОЦЕНКИ И УЧЕТА ПРЕДПОЧТЕНИЙ В ПЕРСОНАЛЬНЫХ ТРАНСПОРТНЫХ РЕКОМЕНДАТЕЛЬНЫХ СИСТЕМАХ: СОВРЕМЕННЫЕ НАУЧНЫЕ НАПРАВЛЕНИЯ, РЕШЕНИЯ И ОСНОВНЫЕ

ЗАДАЧИ

Предпочтением (англ.: preference) пользователя будем считать отношение порядка между двумя или более элементами, объектами или альтернативами, характеризующее наилучший выбор среди множества возможных вариантов. Оценкой предпочтений (англ.: preference elicitation) назовем вычислительную процедуру реконструкции отношения порядка между элементами, объектами или альтернативами. На данный момент разработано несколько групп методов, каждая из которых использует различный тип входной информации и описание предпочтений. Рекомендательной системой (англ.: recommender system) назовем систему, которая пытается предсказать предпочтения пользователя.

В рекомендательных системах применяются три основных подхода:

1. Контентная фильтрация.

2. Коллаборативная фильтрация.

3. Гибридная фильтрация.

Контентная фильтрация учитывает предпочтения только конкретного пользователя и предоставляет рекомендации только для него. Примерами рекомендации для данного подхода могут быть веб-страницы в поисковых системах, новости, статьи, рестораны, магазины. Рекомендуемые объекты имеют описательные характеристики, называемые признаками. Признаки определяют предпочтения пользователя и записаны в профиле индивидуальных предпочтений. Объекты, чьи описания имеют высокую степень сходства с профилем индивидуальных предпочтений, рекомендуются пользователю. Главным достоинством контентной фильтрации является персонализация рекомендаций под конкретного пользователя системы и очевидность принципов работы. К недостаткам относится проблема предоставления рекомендаций новому пользователю без истории запросов и взаимодействия с системой, ограниченность

установленным числом характеристик объекта. В некоторых случаях системы, основанные на данном подходе, могут начать выдавать ограниченный перечень вариантов, что можно сравнить с переобучением методов машинного обучения. В качестве примера подобного ограничения можно привести случай, когда пользователь посещает и оставляет хвалебные отзывы ресторанам с европейской кухней. В данной ситуации система никогда не порекомендует ресторан с китайской или японской кухней, хотя пользователь мог бы выбрать данный вариант из списка рекомендованных.

При методе коллаборативной фильтрации система предоставляет рекомендации пользователю на основе предпочтений групп пользователей. Когда пользователь оценивает какой-либо объект, система соотносит пользователя к группе, которая поставила объекту такую же оценку. В дальнейшем пользователю будут предоставляться объекты, которые были высоко оценены пользователями из присвоенной группы. Отношение пользователей к объектам представляется в виде матрицы. Подход коллаборативной фильтрации в свою очередь делится на следующие подклассы:

- подход, основанный на памяти (также используется формулировка: подход, основанный на соседстве);

- подход, основанный на модели;

- гибридный подход.

Подход, основанный на памяти, является исторически первым подходом коллаборативной фильтрации. Нового пользователя системы причисляют к наиболее близкой по предпочтениям группе пользователей, либо новый объект в рекомендательной системе причисляют к группе объектов. В связи с этим у данного подхода также можно выделить два направления:

- фильтрация на основе пользователя;

- фильтрация на основе объекта.

Фильтрация на основе пользователя ищет сходство между пользователями, сравнивая оценки, выставленные пользователями, для конкретного объекта. Затем объекту присваивается общий рейтинг от сформированный группы пользователей.

Фильтрация на основе объекта предполагает поиск сходства между объектами, с которыми взаимодействует пользователь, и объединение их в группы. Достоинством данной фильтрации является частичное решение проблемы невозможности обнаружения связи между схожими или идентичными по смыслу объектами с разным названием.

Достоинством подхода, основанного на памяти, становится его простота в понимании и реализации, однако при увеличении числа пользователей и объектов снижается производительность всей системы с увеличением потребности в памяти.

Подход, основанный на модели был создан для снижения вычислительной сложности, быстро растущей с увеличением числа пользователей и объектов в системе. Для групп пользователей строятся статистические модели при помощи методов машинного обучения [30]. Для снижения размерности применяется метод главных компонент. Увеличение производительности системы влечет к уменьшению точности предсказания предпочтений пользователей и увеличению стоимости создания системы.

Гибридный подход коллаборативной фильтрации позволяет избавить систему от большинства недостатков, однако стоимость и время создания подобной системы возрастает.

Гибридная фильтрация может совмещает в себе контентную фильтрацию и подходы коллаборативной фильтрации для преодоления указанных недостатков, что также ведет к усложнению системы и увеличению ее стоимости.

Описанные подходы представлены в виде схемы на рисунке 1.

Рисунок 1 - Классификация методов оценки предпочтений в существующих

рекомендательных системах

Развитие и повсеместное активное использование различных интернет сервисов привело к появлению и развитию рекомендательных систем. Исторически, большая часть исследований строилась на подходах коллаборативной фильтрации, с упором на прогнозирование рейтингов и ранжирование объектов для стриминговых сервисов, таких как Netflix [31]. Для поисковых систем чаще других применялись методы парных сравнений пользовательских предпочтений [32,33]. Еще одной крупной сферой применения являются рекомендательные системы, опирающиеся на информации о переходах между сайтами и продуктами в онлайн магазинах [34,35]. Новым подходом стало использование нейронных сетей для повышения точности рекомендаций [36]. Одним из молодых направлений, в котором, в основном, применяются байесовские подходы [37] с последовательной схемой пересчета параметров, являются транспортные рекомендательные системы [20].

Приводимый ниже обзор современного состояния состоит из рассмотрения рекомендательных систем и подходов оценки пользовательских предпочтений контентной, коллабративной и гибридной фильтрации. Также рассмотрены наборы данных, представленные и описанные в научных работах, и определены основные признаки выбора маршрута, используемые в работах.

1.1 Подходы контентной фильтрации в транспортных рекомендательных системах

В настоящее время персонализированные рекомендательные системы широко распространены в области онлайн торговли. Однако транспортные рекомендательные системы преимущественно направлены на поиск самого короткого или самого быстрого маршрута, игнорируя личные предпочтения участника движения и различные факторы, описывающие контекст ситуации. Учет пользовательских предпочтений и учет ситуации имеют особое значение при выборе маршрута в транспортных сетях с использованием индивидуального транспорта. Современные информационные технологии предоставляют средства для сбора личной информации и информации о поездках с использованием приложений на персональных мобильных устройствах - смартфонах и умных

часах. Использование собранной информации позволяет оценивать и учитывать предпочтения пользователей при предоставлении персонализированных, ситуативных маршрутов передвижения. Пользователь может сам указать свои предпочтения в системе (предпочитаемый вид транспорта, поиск пути по наименее загруженным улицам). В случае, когда пользователь не может самостоятельно определить свои предпочтения [38], система должна определить предпочтения пользователя из истории использованных маршрутов. Это способствует разработке алгоритмов рекомендаций, которые оценивают предпочтения пользователей из их предыдущих выборов/решений. Основываясь на полученной информации о предшествующих выборах, подобные алгоритмы предлагают наиболее подходящий маршрут для новой поездки, включая различные виды транспорта [1,2].

Одним из направлений развития рекомендательных систем является использование контекста (дополнительной информации, такой как информация о пользователе, информация о загруженности транспортной сети или информация о погоде). Эти системы учитывают, что предпочтения пользователей зависят от контекстных условий и, следовательно, рекомендации должны быть зависимы от контекста. В выборе способа передвижения (велосипед или автомобиль) важны погодные условия (снег, дождь или солнце), наличие спутника (поездка с родными, знакомыми или в одиночку). Авторы в [39] сообщают результаты опроса, проведенного с целью выявления важных контекстных факторов и оценки влияния этих факторов на прогнозы рейтингов в транспортных рекомендательных системах. Кроме того, авторов привлекла роль эмоций и личностных качеств пользователей. В опросе, проведенном с целью оценки предпочтений пользователей [3], авторы используют подход, основанный на учете эмоциональных предпочтений пользователей системы. Авторы [4] показывают, что личностные черты предоставляют полезную информацию для получения рекомендаций, ориентированных на контекст. Они также утверждают, что данные о личностных качествах относительно легко собираются и особенно полезны для ранжирования рекомендаций в случае новых пользователей. Эксперименты,

описанные в [40], показывают, что байесовский подход может изучить предпочтения пользователей с учетом контекста в случае построения маршрутов с возможностью выбора трех альтернативных видов транспорта (общественный транспорт, индивидуальный транспорт, смена типа транспорта между общественным и индивидуальным транспортом).

Разработки персонализированных систем маршрутизации, основанные на предпочтениях туристов и путешественников, были освещены в научной литературе по транспортной системе в статьях [2,5,6,7,41]. Методы генерации рекомендованных персональных маршрутов представлены в статьях [7,41,42]. В указанных статьях предполагалось, что пользователи сервиса принимают решение о выборе предложенного маршрута, основываясь на нескольких признаках, таких как минимальное время поездки и минимальное расстояние поездки. Статьи [7,41] фокусируются на предоставление выбора маршрутов для водителей с индивидуальным транспортом и не учитывают мультимодальные поездки или поездки на общественном транспорте.

Мультимодальная маршрутизация относится к проблеме поиска пути через мультимодальную сеть. Мультимодальная сеть представляет собой интегрированную сеть, в которой транспортные сети для различных способов передвижения, таких как пешеходные пути, индивидуальные транспортные средства (автомобиль, велосипед и др.) и общественный транспорт (электрички, поезда, автобусы, трамваи и др.) взаимосвязаны в местах, где пользователь может сменить один вид транспорта на другой. В таких сетях особое место занимают места смены типа транспорта. В этих местах возможны переходы между сетью индивидуального транспорта (например, автомобилем) и сетью общественного транспорта либо различными типами общественного транспорта. Включая эти соединения, мультимодальные системы маршрутизации могут также учитывать маршруты, в которых комбинируются различные виды транспорта и различные маршруты. Подобные мультимодальные системы все чаще появляются в новых транспортных системах. Эти системы предоставляют интегрированную маршрутизацию и рекомендации по виду транспортного средства на этапе выбора

маршрута [43-46]. Система рекомендаций PECITAS [47] рекомендует мультимодальные маршруты в городе Больцано. Учет температуры, погоды и времени суток представлен в работах [9,10].

Некоторые системы учитывают загруженность посещаемых достопримечательностей и музеев и наличие очередей на входе [11]. В работе [29] авторы предложили подход, учитывающий расчетное время посещения достопримечательностей, расстояние, преодолеваемое пешком во время посещения достопримечательностей, и стоимость посещения. Авторы выделяют две основные задачи, решаемые в работе. Сначала они определяют и оценивают потенциальные места и достопримечательности, а затем алгоритм поиска пути строит лучший маршрут, состоящий из подмножества выбранных мест. Схожий подход используют авторы [48], представившие систему MoreTourism, которая первоначально оценивает предпочтений пользователя, а затем рекомендует места интереса с учетом оптимального маршрута, времени посещения, открытия и закрытия, а также затрат на посещение. Для определения предпочитаемых туристических мест, пользователь выбирает между изображениями достопримечательностей. Авторы [49] описывают систему рекомендации для путешествий, которая способна изучить оптимальную стратегию рекомендаций во время взаимодействия с пользователями. Предложенная система использует метод обучения с подкреплением. В [50] авторы предлагают систему с^расе, в которой пользователь может явно указать свои предпочтения с учетом посещения только новых мест, в которых он не был, социальных объектов, физических возможностей, времени нахождения в помещении или на улице. В [51] авторы обсуждают требования к адаптивным системам рекомендаций для поездок и вводят общий сервер моделирования предпочтений пользователей, который может применяться в системах путешествий и туризма.

Список литературы диссертационного исследования кандидат наук Бородинов Александр Александрович, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Arentze, T. A. Adaptive personalized travel information systems: A Bayesian method to learn users' personal preferences in multimodal transport networks [Text] / T. A. Arentze // IEEE Transactions on Intelligent Transportation Systems. 1957. -2013. - Vol. 14, № 4. - P. 1957-1966.

2. Nuzzolo, A. Individual behavioural models for personal transit pre-trip planners [Text] / A. Nuzzolo, U. Crisalli, A. Comi, L. Rosati // Transportation Research Procedia. - 2015. - Vol. 5. - P. 30-43.

3. Neidhardt, J. A picture-based approach to recommender systems [Text] / J. Neidhardt, L. Seyfang, R. Schuster, H. Werthner // Information Technology & Tourism. - 2015. - Vol. 15, №1. - P. 49-69.

4. Braunhofer, M. User personality and the new user problem in a context-aware point of interest recommender system [Text] / M. Braunhofer, M. Elahi, F. Ricci // Information and Communication Technologies in Tourism 2015: Proceedings of the International Conference in Lugano. - 2015. - P 537-549.

5. Lathia, N. Personalizing mobile travel information services [Text] / N. Lathia, L. Capra, D. Magliocchetti, F. De Vigili, G. Conti, R. De Amicis, T. Arentze, J. Zhang, D. Cali, V. Alexa // Procedia - Social and Behavioral Sciences. - 2012. - Vol. 48. -P. 1195-1204.

6. Chorus, C. Personal intelligent travel assistants [Text] / C. Chorus, H. Timmermans // A Handbook of Transport Economics. - London, U.K.: Edward Elgar, 2011. - P. 604-623.

7. Yang, B. Toward personalized, contextaware routing [Text] / B. Yang, C. Guo, Y. Ma, C.S. Jensen // The VLDB Journal. - 2015. - Vol. 24, № 2. - P. 297-318.

8. Quercia, D. The shortest path to happiness: Recommending beautiful, quiet, and happy routes in the city / D. Quercia, R. Schifanella, L.M. Aiello // HT 2014 -Proceedings of the 25th ACM Conference on Hypertext and Social Media. - 2014. - The shortest path to happiness. - P. 116-125.

9. Codina, V. Context-Aware User Modeling Strategies for Journey Plan Recommendation / V. Codina, J. Mena, L. Oliva // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2015. - Vol. 9146. - P. 68-79.

10. Samsel, C. Personalized, context-aware intermodal travel information / C. Samsel, G. Garbereder, K.-H. Krempels // WEBIST 2016 - Proceedings of the 12th International Conference on Web Information Systems and Technologies. - 2016. -Vol. 1. - P. 148-155.

11. Liu, L. A real-time personalized route recommendation system for self-drive tourists based on vehicle to vehicle communication [Text] / L. Liu, J. Xu, S. S. Liao, H. Chen // Expert Systems with Applications. - 2014. - Vol. 41, № 7. - P. 3409-3417.

12. Zhang, C.J. Where to: Crowd-aided path selection [Text] / C.J. Zhang, Y. Tong, L. Chen // Proc. Very Large Data Bases (VLDB) Endowment. - 2014. - Vol. 7, № 14. - P. 2005-2016.

13. Su, H. Crowd-planner: A crowd-based route recommendation system [Text] / H. Su, K, Zheng, J. Huang, H. Jeung // Conference: 2014 IEEE 30th International Conference on Data Engineering (ICDE). - 2014. - P. 1178-1181.

14. Pan, S.J. A survey on transfer learning [Text] / S.J. Pan, Q. Yang // IEEE Transactions on Knowledge and Data Engineering. - 2010. - Vol. 22, № 10. - P. 1345-1359.

15. Ye, P. Combining preference and absolute judgements in a crowd-sourced setting [Text] / P. Ye, D. Doermann // Proc. ICML Workshop, Mach. Learn. Meets Crowdsourcing. - 2013. - P. 1-7.

16. Takeuchi, Y. An outdoor recommendation system based on user location history / Y. Takeuchi, M. Sugimoto // CEUR Workshop Proceedings. - 2005. - Vol. 149. -P. 91-100.

17. Liu, H. Hydra: A personalized and context-aware multi-modal transportation recommendation system / H. Liu [et al.] // Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2019. -Hydra. - P. 2314-2324.

18. Xu, Y. A travel route recommendation algorithm with personal preference / Y. Xu, T. Hu, Y. Li // 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery, ICNC-FSKD 2016. - 2016. - P. 390-396.

19. Herzog, D. Routeme: A mobile recommender system for personalized, multi-modal route planning / D. Herzog, H. Massoud, W. Wörndl // UMAP 2017 - Proceedings of the 25th Conference on User Modeling, Adaptation and Personalization. - 2017. - Routeme. - P. 67-75.

20. Campigotto, P. Personalized and Situation-Aware Multimodal Route Recommendations: The FAVOUR Algorithm / P. Campigotto [et al.] // IEEE Transactions on Intelligent Transportation Systems. - 2017. - Vol. 18. -Personalized and Situation-Aware Multimodal Route Recommendations. - No 1. -P. 92-102.

21. Fonte, F.A.M. A tagging recommender service for mobile terminals [Text] / F.A.M. Fonte, M.R. Lopez, J.C. Burguillo, A. Peleteiro, A.B. Martinez // Information and communication, Technologies in Tourism. Springer-Verlag. - 2013. - P. 424-435.

22. Guo, S. Real-time multiattribute Bayesian preference elicitation with pairwise comparison queries [Text] / S. Guo, S. Sanner // Journal of Machine Learning Research. - 2010. - P. 289-296.

23. Subramaniyaswamy, V. Dynamo: Dynamic Multimodal Route and Travel Recommendation System / V. Subramaniyaswamy [et al.] // Proceedings of the 2018 International Conference on Recent Trends in Advanced Computing, ICRTAC-CPS 2018. - 2019. - Dynamo. - P. 47-52.

24. Cui, G. MaP2R: A personalized maximum probability route recommendation method using GPS trajectories / G. Cui, X. Wang // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2017. - Vol. 10235 LNAI. - MaP2R. - P. 168-180.

25. Smirnov, A.V. Context-based infomobility system for cultural heritage recommendation: Tourist Assistant—TAIS / A.V. Smirnov, A.M. Kashevnik, A. Ponomarev // Personal and Ubiquitous Computing. - 2017. - Vol. 21. - Context-

based infomobility system for cultural heritage recommendation. - No 2. - P. 297311.

26. Unnikrishnan, G. Hybrid Route Recommender System for Smarter Logistics / G. Unnikrishnan [et al.] // Proceedings - 5th IEEE International Conference on Big Data Security on Cloud, BigDataSecurity 2019, 5th IEEE International Conference on High Performance and Smart Computing, HPSC 2019 and 4th IEEE International Conference on Intelligent Data and Security, IDS 2019. - 2019. - P. 239-244.

27. Yu, Z. Personalized Travel Package with Multi-Point-of-Interest Recommendation Based on Crowdsourced User Footprints / Z. Yu [et al.] // IEEE Transactions on Human-Machine Systems. - 2016. - Vol. 46. - No 1. - P. 151-158.

28. Li, Y. PaRE: A system for personalized route guidance / Y. Li [et al.] // 26th International World Wide Web Conference, WWW 2017. - 2017. - PaRE. - P. 637646.

29. Worndl, W. Generating Paths Through Discovered Places-of-Interests for City Trip Planning / W. Worndl, A. Hefele // Information and Communication Technologies in Tourism 2016 / eds. A. Inversini, R. Schegg. - Cham: Springer International Publishing, 2016. - P. 441-453.

30. Bishop, C.M. Pattern recognition and machine learning [Text] / C.M. Bishop. -Secaucus, NJ, USA: Springer-Verlag, 2006. - 738 p.

31. Koren, Y. Matrix Factorization Techniques for Recommender Systems / Y. Koren, R. Bell, C. Volinsky // Computer. - 2009. - Vol. 42. - No 8. - P. 30-37.

32. Cao, Z. Learning to rank: From pairwise approach to listwise approach / Z. Cao [et al.] // ACM International Conference Proceeding Series. - 2007. - Vol. 227. -Learning to rank. - P. 129-136.

33. Tsukida, K. How to analyze paired comparison data [Text]: Technical Report / K. Tsukida, M.R. Gupta. - Washington Univ., Dept. Elect. Eng., - 2011. - 27 p.

34. Joachims, T. Optimizing search engines using clickthrough data / T. Joachims // Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2002. - P. 133-142.

35. He, X. Practical lessons from predicting clicks on ads at Facebook / X. He [et al.] // Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2014.

36. Covington, P. Deep neural networks for youtube recommendations / P. Covington, J. Adams, E. Sargin // RecSys 2016 - Proceedings of the 10th ACM Conference on Recommender Systems. - 2016. - P. 191-198.

37. Mohamed, S. Bayesian and L1 approaches for sparse unsupervised learning [Text] / S. Mohamed, K. Heller, Z. Ghahramani // Proc. 29th ICML, ser. ICML'12. - New York, NY, USA: Omnipress, 2012. - P. 751-758.

38. Birlutiu, A. Efficiently learning the preferences of people [Text] / A. Birlutiu, P. Groot, T. Heskes // Machine Learning. - 2012. - Vol. 90, № 1. - P. 1-28.

39. Braunhofer, M. Selective contextual information acquisition in travel recommender systems [Text] / M. Braunhofer, Ricci F // Information Technology & Tourism. -2017. - Vol. 17, №1. - P. 5-29.

40. Zhang, J. Design and implementation of a daily activity scheduler in the context of a personal travel information system [Text] / J. Zhang, T. Arentze // Progress in Location-Based Services. Lecture Notes in Geoinformation and Cartography. -Berlin, Heidelberg: Springer, 2013. - P. 407-433.

41. Dai, J. Personalized route recommendation using big trajectory data [Text] / J. Dai, B. Yang, C. Guo, Z. Ding // 2015 IEEE 31st International Conference on Data Engineering. - 2015. - P. 543-554.

42. Park, K. Adaptive route choice model for intelligent route guidance using a rule-based approach [Text] / K. Park, M. Bell, I. Kaparias, K. Bogenberger // Transportation Research Record. - 2007. - Vol. 2000, № 1. - P. 88-97.

43. Zhang, J.A multimodal transport network model for advanced traveler information system [Text] / J. Zhang, T. Arentze, H. Timmermans // Journal of Ubiquitous Systems and Pervasive Networks (JUSPN). - 2012. - Vol. 4, № 1. - P. 21-27.

44. Zografos, K.G. Algorithms for itinerary planning in multimodal transportation networks [Text] / K.G. Zografos, K.N. Androutsopoulus // IEEE Transactions on Intelligent Transportation Systems. - 2008. - Vol. 9, № 1. - P. 175-184.

45. Yin, M. SCATEAgent: Context-aware software agents for multi-modal travel [Text] / M. Yin, M. Griss // Applications of Agent Technology in Traffic and Transportation. - Birkhäuser Basel, 2005. - P. 69-84.

46. Rehrl, K. Assisting multimodal travelers: Design and prototypical implementation of a personal travel companion [Text] / K. Rehrl, S. Bruntsch, H.J. Mentz // IEEE Transactions on Intelligent Transportation Systems. - 2007. - Vol. 8, № 1. - P. 3142.

47. Tumas, G. Personalized Mobile City Transport Advisory System / G. Tumas, F. Ricci // Information and Communication Technologies in Tourism 2009 / eds. W. Höpken, U. Gretzel, R. Law. - Vienna: Springer, 2009. - P. 173-183.

48. Linaza, M.T. Image-based Travel Recommender System for small tourist destinations / M.T. Linaza [et al.] // Information and Communication Technologies in Tourism 2011 / eds. R. Law, M. Fuchs, F. Ricci. - Vienna: Springer, 2011. - P. 112.

49. Mahmood, T. Learning and adaptivity in interactive recommender systems [Text] / T. Mahmood, F. Ricci // Proceedings 9th ICEC. - 2007. - P. 75-84.

50. Arentze, T. Estimating a latent-class user model for travel recommender systems / T. Arentze, A. Kemperman, P. Aksenov // Information Technology and Tourism. -2018. - Vol. 19. - No 1-4. - P. 61-82.

51. Fink, J. User modeling for personalized city tours [Text] / J. Fink, A. Kobsa // Artificial Intelligence Review. - 2002. - Vol. 18, № 1. - P. 33-74.

52. Eiter, T. Semantically enriched multi-modal routing [Text] / T. Eiter, T. Krennwallner, M. Prandtstetter, C. Rudloff, P. Schneider, M. Straub // International Journal of Intelligent Transportation Systems Research. - 2014. - Vol. 14, № 1. -P. 1-16.

53. Park, K. Adaptive route choice model for intelligent route guidance using a rule-based approach [Text] / K. Park, M.G.H. Bell, L. Kaparias, K. Bogenberger // Transportation Research Record. - 2007. - Vol. 2000. - P. 88-97.

54. Fu, K. TREADS: A safe route recommender using social media mining and text summarization / K. Fu, Y.-C. Lu, C.-T. Lu // GIS: Proceedings of the ACM

International Symposium on Advances in Geographic Information Systems. - 2014.

- Vols. 04-07-November-2014. - TREADS. - P. 557-560.

55. Vansteenwegen, P. The city trip planner: An expert system for tourists / P. Vansteenwegen [et al.] // Expert Systems with Applications. - 2011. - Vol. 38. -The city trip planner. - No 6. - P. 6540-6546.

56. Xie, M. CompRec-Trip: A composite recommendation system for travel planning / M. Xie, L.V.S. Lakshmanan, P.T. Wood // Proceedings - International Conference on Data Engineering. - 2011. - CompRec-Trip. - P. 1352-1355.

57. Gavalas, D. Web application for recommending personalised mobile tourist routes / D. Gavalas [et al.] // IET Software. - 2012. - Vol. 6. - No 4. - P. 313-322.

58. Liu, L. A personalized route recommendation service for theme parks using RFID information and tourist behavior [Text] / L. Liu, J. Xu // Decision Support System.

- 2012. - Vol. 52, № 2. - P. 514-527.

59. Train, K. Estimation on stated-preference experiments constructed from revealed-preference choices [Text] / K. Train, W.W. Wilson // Transportation Research Part B: Methodological. - 2008. - Vol. 42, № 3. - P. 191-203.

60. Rose, J.M. Designing efficient stated choice experiments in the presence of reference alternatives [Text] / J.M. Rose, M.C. Bliemer, D.A. Hensher, A.T. Collins // Transportation Research Part B: Methodological. - 2008. - Vol. 42, № 4, - P. 395406.

61. Hensher, D.A. How do respondents process stated choice experiments? Attribute consideration under varying information load [Text] / D.A. Hensher // Journal of Applied Econometrics. - 2006. - Vol. 21, № 6. - P. 861-878.

62. Cui, G. Personalized travel route recommendation using collaborative filtering based on GPS trajectories / G. Cui, J. Luo, X. Wang // International Journal of Digital Earth. - 2018. - Vol. 11. - No 3. - P. 284-307.

63. March, J.G. Bounded rationality, ambiguity, and the engineering of choice [Text] / J.G. March // The Bell Journal of Economics. - 1978. - Vol. 9, № 2. - P. 587-608.

64. Campigotto, P. Adapting to a realistic decision maker: Experiments towards a reactive multi-objective optimizer [Text] / P. Campigotto, A. Passerini // Learning and Intelligent Optimization. - 2010. - Vol. 6073. - P. 338-341.

65. Battiti, R. Brain-computer evolutionary multiobjective optimization: A genetic algorithm adapting to the decision maker [Text] / R. Battiti, A. Passerini // IEEE Transactions on Evolutionary Computation. - 2010. - Vol. 14, № 5. - P. 671-687.

66. Conitzer, V. Eliciting single-peaked preferences using comparison queries [Text] / V. Conitzer // Journal of Artificial Intelligence Research (JAIR). - 2009. - Vol. 35. - P. 161-191.

67. Chajewska, U. Making rational decisions using adaptive utility elicitation [Text] / U. Chajewska, D. Koller, R. Parr // Proceedings of the Seventeenth National Conference on Artificial Intelligence. - 2000. P. - 363-369.

68. Luo, W. Finding time period-based most frequent path in big trajectory data [Text] / W. Luo, H. Tan, L. Chen, L.M. Ni. // Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data, 2013. - P. 713-724.

69. Zheng, Y. Urban computing with taxicabs [Text] / Y. Zheng, Y. Liu, J. Yuan, X. Xie. // Ubicomp. - 2011. - P. 89-98.

70. Kanoulas, E. Finding fastest paths on a road network with speed patterns [Text] / E. Kanoulas, Y. Du, T. Xia, D. Zhang // Proceedings of the 2011 ACM Conference on Ubiquitous Computing. - 2006. - P. 89-98.

71. Hua, M. Probabilistic path queries in road networks: traffic uncertainty aware path selection [Text] / M. Hua, J. Pei // 13th International Conference on Extending Database Technology, 2010. - P. 347-358.

72. Andersen, O. Ecotour: Reducing the environmental footprint of vehicles using eco-routes [Text] / O. Andersen, C. S. Jensen, K. Torp, B. Yang // IEEE 14th International Conference on Mobile Data Management. - 2013. - P. 338-340.

73. Yang, B. Travel cost inference from sparse, spatio temporally correlated time series using markov models [Text] / B. Yang, C. Guo, C.S. Jensen // PVLDB. - 2013. -Vol. 6, №9. - P. 769-780.

74. Yang, B. Stochastic skyline route planning under time-varying uncertainty [Text] / B. Yang, C. Guo, C. S. Jensen, M. Kaul, S. Shang // ICDE. - 2014. - P. 136-147.

75. Yang, B. Using incomplete information for complete weight annotation of road networks [Text] / B. Yang, M. Kaul, C.S. Jensen // IEEE Transactions on Knowledge and Data Engineering. - 2014. - Vol. 26, № 5. - P. 1267-1279.

76. Kriegel, H.P. Route skyline queries: A multi-preference path planning approach [Text] / H.P. Kriegel, M. Renz, M. Schubert // ICDE. - 2010. - P. 261-272.

77. Balteanu, A. Mining driving preferences in multi-cost networks [Text] / A. Balteanu, G. Josse, M. Schubert // Lecture Notes in Computer Science. - Springer, 2013. - P. 74-91.

78. Chen, Z. Discovering popular routes from trajectories [Text] / Z. Chen, H.T. Shen, X. Zhou // Proceedings of the 27th International Conference on Data Engineering, 2011. - P. 900-911.

79. Dalumpines, R. Determinants of route choice behavior: a comparison of shop versus work trips using the potential path area - gateway (PPAG) algorithm and path-size logit [Text] / R. Dalumpines, D.M. Scott // Journal of Transport Geography. - 2017.

- Vol. 59. - P. 59-68.

80. Millward, H. Time use, travel behavior, and the rural-urban continuum: results from the Halifax STAR project [Text] / H.Millward, J. Spinney // J. Transp. Geogr. -2011. - Vol. 19, № 1. - P. 51-58.

81. Prandtstetter, M. On the way to a multi-modal energy-efficient route / M. Prandtstetter, M. Straub, J. Puchinger // IECON Proceedings (Industrial Electronics Conference). - 2013. - P. 4779-4784.

82. Zhang, J. Making our mobility more intelligent - a framework of a personalized multimodal traveller information system [Text] / J. Zhang, T. Arentze, H. Timmermans // Proceedings 12th World Conf. Transp. Res., Lisbon, Portugal. -2010. - P. 11-15.

83. Wardman, M. A review of British evidence on time and service quality valuations [Text] / M. Wardman // Transportation Research Part E. - 2001. - Vol. 37, № 2-3.

- P. 107-128.

84. Abrantes, P. Meta-analysis of UK values of travel time: An update [Text] / P. Abrantes // Transportation Research Part A. - 2011. - Vol. 45, № 1. - P. 1-17.

85. Arentze, T. Travelers' preferences in multimodal networks: Design and results of a comprehensive series of choice experiments [Text] / T. Arentze, E.J.E. Molin // Transportation Research Part A: Policy and Practice. - 2013. - Vol. 58. - P. 15-28.

86. Hensher, D. Development of commuter and non-commuter mode choice models for the assessment of new public transport infrastructure projects: A case study [Text] / D. Hensher, J. Rose / Transportation Research Part A. - 2007. - Vol. 41, № 5. - P. 428-443.

87. Zhang, L. Determinants of route choice and value of traveler information: a field experiment [Text] / L. Zhang, D. Levinson // Transportation Research Record Journal of the Transportation Research Board. - 2008. - Vol. 2086. - P. 81-92.

88. Papinski, D. Route choice efficiency: an investigation of home-to-work trips using GPS data [Text] / D. Papinski, D.M. Scott // Environment and Planning A: Economy and Space. - 2013. - Vol. 45, № 2. - P. 263-275.

89. Manley, E.J. Shortest path or anchor-based route choice: a large-scale empirical analysis of minicab routing in London [Text] / E.J. Manley, J.D. Addison, T. Cheng // Journal of Transport Geography. - 2015. - Vol. 43, - P. 123-139.

90. Zhu, S. Do people use the shortest path? An empirical test of Wardrop's first principle [Text] / S. Zhu, D. Levinson // PLoS One. - 2015. - Vol. 10, № 8. - P. 118.

91. Krasotkina, O. A bayesian approach to sparse learning-to-rank for search engine optimization / O. Krasotkina, V. Mottl // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). - 2015. - Vol. 9166. - P. 382-394.

92. Середин, О.С. Выпуклые селективные критерии метода релевантных векторов в пространстве парных отношений объектов распознавания / О.С. Середин [et al.] // Известия Тульского Государственного Университета. Естественные Науки. - 2013. - No 1.

93. Красоткина, О.В. Байесовский Подход К Оцениванию Факторов, Влияющих На Положение Сайта В Результатах Поискового Запроса / О.В. Красоткина [et al.] // Известия Тульского Государственного Университета. Технические Науки. - 2013. - No 2.

94. Tatarchuk, A. Support vector machines for ranking learning: The full and the truncated fixed margin strategies / A. Tatarchuk, A. Kurakin, V. Mottl // Proceedings of the Sixth International Conference on Machine Learning and Cybernetics, ICMLC 2007. - 2007. - Vol. 5. - Support vector machines for ranking learning. -P. 2701-2707.

95. Bradley, R.A. Rank Analysis of Incomplete Block Designs: I. The Method of Paired Comparisons / R.A. Bradley, M.E. Terry // Biometrika. - 1952. - Vol. 39. - Rank Analysis of Incomplete Block Designs. - No 3/4. - P. 324-345.

96. Фишберн, П. Теория полезности для принятия решений / П. Фишберн; пер. с англ. — М.: Наука, 1978. — 352 с. (P.C. Fishburn Utility theory for decision making. - Research Analysis Corp Mclean va. 1970. №. RAC-R-105)

97. Preference Learning / eds. J. Furnkranz, E. Hullermeier. - Berlin Heidelberg: Springer-Verlag, 2011.

98. Murphy, K.P. Machine Learning: A Probabilistic Perspective. Machine Learning / K.P. Murphy. - MIT Press, 2012. - 1098 p.

99. Tsukida, K. How to analyze paired comparison data / K. Tsukida, M.R. Gupta. -2011.

100. Thurstone, L.L. A law of comparative judgment / L.L. Thurstone // Scaling: A Sourcebook for Behavioral Scientists. - 2017. - P. 81-92.

101. Журавлев, Ю.И. Распознавание образов и распознавание изображений / Журавлев, Ю.И., Гуревич И.Б. // Распознавание, классификация, прогноз. Математические методы и их применение: ежегодник. Вып. 2. М.: Наука, 1989. -С. 5-72.

102. Бородинов, А.А. Способ определения пользовательских предпочтений в системах персонализированных рекомендаций для пассажиров общественного транспорта / А.А. Бородинов // Труды Международной

научно-технической конференции. Под ред. С.А. Прохорова. 2019 Перспективные информационные технологии (ПИТ 2019). - Самара: Самарский научный центр РАН, 2019. - P. 423-426.

103. Бородинов, А.А. Анализ предпочтений участников движения на маршрутном общественном транспорте в задаче построения персонализированной рекомендательной системы / А.А. Бородинов, В.В. Мясников // Сборник трудов V международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2019) Международная конференция и молодежная школа «Информационные технологии и нанотехнологии» (ИТНТ-2019). - Самара: Новая техника, 2019. - Vol. 2. - P. 178-187.

104. Borodinov, A.A. Analysis of the preferences of public transport passengers in the task of building a personalized recommender system / A.A. Borodinov, V.V. Myansikov // CEUR Workshop Proceedings Proceedings of the V International conference Information Technology and Nanotechnology. Session Image Processing and Earth Remote Sensing, Samara, Russia, May 21-24, 2019. - Samara: CEUR-WS, 2019. - Vol. 2391. - P. 198-205.

105. Borodinov, A.A. Method of Determining User Preferences for the Personalized Recommender Systems for Public Transport Passengers / A.A. Borodinov, V.V. Myasnikov // Analysis of Images, Social Networks and Texts : Communications in Computer and Information Science / eds. W.M.P. van der Aalst [et al.]. - Cham: Springer International Publishing, 2020. - P. 341-351.

106. Borodinov, A.A. Evaluating classifiers to determine user-preferred stops in a personalized recommender system / A.A. Borodinov, V.V. Myasnikov // Twelfth International Conference on Machine Vision (ICMV 2019) Twelfth International Conference on Machine Vision (ICMV 2019). - International Society for Optics and Photonics, 2020. - Vol. 11433. - P. 114330N.

107. Бородинов, А.А. Определение предпочтений участника дорожного движения на личном транспорте методом парных сравнений / А.А. Бородинов // Труды Международной научно-технической конференции. Под ред. С.А. Прохорова.

2020 Перспективные информационные технологии (ПИТ 2020). - Самара: Самарский научный центр РАН, 2020. - P. 244-248.

108. Бородинов, А.А. Метод парных сравнений в задаче нахождения пользовательских предпочтений / А.А. Бородинов, В.В. Мясников. // Сборник трудов VI международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2020). - Самарский национальный исследовательский университет имени академика С.П. Королева, 2020. - P. 244-250.

109. Бородинов, А.А. Разработка и исследование алгоритмов определения предпочитаемых пользователем остановок общественного транспорта в геоинформационной системе на основе методов машинного обучения / А.А. Бородинов // Компьютерная оптика. - 2020 - Т. 44, № 4 - С. 646-652. - DOI: 10.18287/2412-6179-C0-713.

110. Borodinov, A.A. Influence of preprocessing of radar images on neural network recognition accuracy / A.A. Borodinov, V.V. Myasnikov // Active and Passive Microwave Remote Sensing for Environmental Monitoring II Active and Passive Microwave Remote Sensing for Environmental Monitoring II. - International Society for Optics and Photonics, 2018. - Vol. 10788. - P. 1078803.

111. Borodinov, A.A. Comparison of classification algorithms for various methods of preprocessing radar images of the MSTAR base / A.A. Borodinov, V.V. Myasnikov // Proceedings of SPIE 10th International Conference on Machine Vision, ICMV

2017. - SPIE, 2018. - Vol. 10696. - P. 1069614-1069614-7.

112. Agafonov, A. Short-term traffic flow forecasting using a distributed spatial-temporal k nearest neighbors model / A. Agafonov, A. Yumaganov // Proceedings - 21st IEEE International Conference on Computational Science and Engineering, CSE 2018. -

2018. - P. 91-98.

113. Agafonov, A. Anticipatory Vehicle Routing in Stochastic Networks Using MultiAgent System / A. Agafonov, V. Myasnikov, A. Borodinov // Proceedings - 2019 21st International Conference "Complex Systems: Control and Modeling Problems", CSCMP 2019. - 2019. - Vols. 2019-September. - P. 91-95.

114. Kubicka, M. On designing robust real-time map-matching algorithms / M. Kubicka [et al.] // 2014 17th IEEE International Conference on Intelligent Transportation Systems, ITSC 2014. - 2014. - P. 464-470.

115. White, C.E. Some map matching algorithms for personal navigation assistants / C.E. White, D. Bernstein, A.L. Kornhauser // Transportation Research Part C: Emerging Technologies. - 2000. - Vol. 8. - No 1-6. - P. 91-108.

116. Wei, H. Fast Viterbi map matching with tunable weight functions / H. Wei [et al.] // GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems. - 2012. - P. 613-616.

117. Fiedler, D. Map Matching Algorithm for Large-scale Datasets / D. Fiedler [et al.] // arXiv:1910.05312 [cs, eess]. - 2019.

118. Li, Y. Large-scale joint map matching of GPS traces / Y. Li [et al.] // GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems. - 2013. - P. 214-223.

119. Kubicka, M. Comparative Study and Application-Oriented Classification of Vehicular Map-Matching Methods / M. Kubicka [et al.] // IEEE Intelligent Transportation Systems Magazine. - 2018. - Vol. 10. - No 2. - P. 150-166.

120. Hashemi, M. A critical review of real-time map-matching algorithms: Current issues and future directions / M. Hashemi, H.A. Karimi // Computers, Environment and Urban Systems. - 2014. - Vol. 48. - A critical review of real-time map-matching algorithms. - P. 153-165.

121. Srinivasan, D. Development of an improved ERP system using GPS and AI techniques / D. Srinivasan, R.L. Cheu, C.W. Tan // IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC. - 2003. - Vol. 1. - P. 554-559.

122. Brakatsoulas, S. On map-matching vehicle tracking data / S. Brakatsoulas [et al.] // VLDB 2005 - Proceedings of 31st International Conference on Very Large Data Bases. - 2005. - Vol. 2. - P. 853-864.

123. Yin, Y. A general feature-based map matching framework with trajectory simplification / Y. Yin, R.R. Shah, R. Zimmermann // Proceedings of the 7th ACM SIGSPATIAL International Workshop on GeoStreaming, IWGS 2016. - 2016.

124. Velaga, N.R. Developing an enhanced weight-based topological map-matching algorithm for intelligent transport systems / N.R. Velaga, M.A. Quddus, A.L. Bristow // Transportation Research Part C: Emerging Technologies. - 2009. -Vol. 17. - No 6. - P. 672-683.

125. Li, L. High accuracy tightly-coupled integrity monitoring algorithm for map-matching / L. Li, M. Quddus, L. Zhao // Transportation Research Part C: Emerging Technologies. - 2013. - Vol. 36. - P. 13-26.

126. Newson, P. Hidden Markov map matching through noise and sparseness / P. Newson, J. Krumm // GIS: Proceedings of the ACM International Symposium on Advances in Geographic Information Systems. - 2009. - P. 336-343.

127. Raymond, R. Map matching with Hidden Markov Model on sampled road network / R. Raymond [et al.] // Proceedings - International Conference on Pattern Recognition. - 2012. - P. 2242-2245.

128. Yin, H. A weight-based map matching method in moving objects databases / H. Yin, O. Wolfson // Proceedings of the International Conference on Scientific and Statistical Database Management, SSDBM. - 2004. - Vol. 16. - P. 437-438.

129. Yang, C. Fast map matching, an algorithm integrating hidden Markov model with precomputation / C. Yang, G. Gidófalvi // International Journal of Geographical Information Science. - 2018. - Vol. 32. - No 3. - P. 547-570.

130. Borodinov, A.A. Public transport route planning in the stochastic network based on the user individual preferences / A.A. Borodinov, A.S. Yumaganov, A.A. Agafonov // CEUR Workshop Proceedings. - 2019. - Vol. 2391. - P. 66-71.

131. Бородинов, А.А. Многоагентная система маршрутизации транспортных средств в стохастической транспортной сети / А.А. Агафонов, В.В. Мясников, А.А. Бородинов. // Труды XXI Международной конференции. В 2-х томах. Под редакцией С.А. Никитова, Д.Е. Быкова, С.Ю. Боровика, Ю.Э. Плешивцевой. 2019 - Общество с ограниченной ответственностью "Офорт," 2019. - P. 200205.

132. Borodinov, A. A Route Reservation Approach for an Autonomous Vehicles Routing Problem / A. Agafonov, A. Borodinov // MATEC Web of Conferences. - 2018. -Vol. 220.

133. Бородинов, А.А. Построение маршрута движения на общественном транспорте с учетом индивидуальных предпочтений участников движения / А.А. Бородинов, А.С. Юмаганов, А.А. Агафонов // Сборник трудов V международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2019) Международная конференция и молодежная школа «Информационные технологии и нанотехнологии» (ИТНТ-2019). - Самара: Новая техника, 2019. - Vol. 2. - P. 342-348.

134. Бородинов, А.А. Метод численного анализа данных транспортных корреспонденций пользователей общественного транспорта / А.А. Бородинов // Труды Международной научно-технической конференции. Под ред. С.А. Прохорова. 2020 Перспективные информационные технологии (ПИТ 2020). -Самара: Самарский научный центр РАН, 2020. - P. 240-243.

135. Бородинов, А.А. Набор данных для определения пользовательских предпочтений участников дорожного движения на личном транспорте / А.А. Бородинов, В.В. Мясников. // Сборник трудов VI международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2020). - Самарский национальный исследовательский университет имени академика С.П. Королева, 2020. -P. 572-578.

Зависимость средней величины confidenced m от количества дней/поездок d

день/поездка d * 7 m =1 m=2 m=3 m=4 m=5

1 0,553 0,121 0,119 0,101 0,106

2 0,524 0,124 0,117 0,125 0,110

3 0,510 0,119 0,122 0,121 0,127

4 0,514 0,123 0,122 0,118 0,124

5 0,505 0,121 0,127 0,125 0,122

6 0,502 0,121 0,126 0,127 0,124

7 0,495 0,122 0,131 0,128 0,124

8 0,495 0,126 0,131 0,124 0,124

9 0,497 0,124 0,129 0,127 0,123

10 0,493 0,125 0,130 0,129 0,123

11 0,496 0,123 0,129 0,130 0,122

12 0,495 0,122 0,130 0,131 0,123

13 0,495 0,121 0,131 0,131 0,122

14 0,496 0,121 0,130 0,132 0,121

15 0,494 0,120 0,130 0,134 0,121

16 0,495 0,120 0,130 0,134 0,121

17 0,495 0,120 0,129 0,135 0,120

18 0,493 0,121 0,130 0,135 0,121

19 0,494 0,120 0,130 0,135 0,121

20 0,495 0,120 0,131 0,135 0,120

21 0,495 0,120 0,130 0,135 0,121

22 0,496 0,120 0,130 0,134 0,120

23 0,498 0,119 0,129 0,133 0,120

24 0,498 0,119 0,129 0,134 0,120

25 0,497 0,120 0,129 0,134 0,120

26 0,496 0,119 0,129 0,134 0,121

27 0,497 0,119 0,129 0,133 0,122

28 0,497 0,119 0,129 0,133 0,122

29 0,497 0,119 0,129 0,133 0,122

30 0,498 0,119 0,129 0,132 0,122

31 0,498 0,119 0,129 0,132 0,122

32 0,498 0,118 0,129 0,132 0,122

33 0,498 0,118 0,129 0,133 0,122

день/поездка d * 7 m =1 m=2 m=3 m=4 m=5

34 0,498 0,119 0,129 0,133 0,122

35 0,498 0,118 0,130 0,133 0,122

36 0,497 0,119 0,130 0,133 0,121

37 0,497 0,119 0,129 0,133 0,122

38 0,498 0,118 0,129 0,133 0,122

39 0,497 0,118 0,129 0,134 0,122

40 0,497 0,118 0,129 0,133 0,122

41 0,497 0,118 0,129 0,133 0,122

42 0,497 0,118 0,130 0,133 0,122

43 0,497 0,118 0,130 0,133 0,122

44 0,498 0,118 0,129 0,133 0,122

45 0,498 0,118 0,129 0,133 0,122

46 0,498 0,118 0,129 0,133 0,122

47 0,498 0,118 0,129 0,133 0,122

48 0,498 0,118 0,129 0,133 0,122

49 0,497 0,118 0,130 0,133 0,122

50 0,497 0,118 0,130 0,133 0,122

51 0,497 0,119 0,129 0,133 0,122

52 0,497 0,119 0,130 0,133 0,121

53 0,497 0,119 0,129 0,133 0,121

54 0,497 0,119 0,130 0,133 0,121

55 0,498 0,119 0,130 0,133 0,121

56 0,498 0,119 0,130 0,132 0,121

57 0,498 0,120 0,130 0,133 0,120

58 0,498 0,120 0,130 0,133 0,120

59 0,498 0,120 0,129 0,132 0,120

60 0,499 0,120 0,129 0,132 0,120

61 0,499 0,120 0,129 0,132 0,120

62 0,499 0,120 0,130 0,132 0,120

63 0,499 0,120 0,129 0,132 0,120

64 0,499 0,120 0,129 0,132 0,120

65 0,499 0,120 0,129 0,132 0,120

66 0,499 0,120 0,130 0,132 0,120

67 0,499 0,120 0,130 0,132 0,120

68 0,499 0,120 0,129 0,132 0,121

69 0,499 0,119 0,129 0,132 0,121

70 0,499 0,119 0,129 0,132 0,121

день/поездка d * 7 m =1 m=2 m=3 m=4 m=5

Vi 0,499 0,ll9 0,l29 0,l32 0,l2l

72 0,499 0,l20 0,l29 0,l3l 0,l2l

73 0,499 0,l20 0,l29 0,l3l 0,l2l

74 0,499 0,l20 0,l30 0,l3l 0,l2l

75 0,499 0,l20 0,l30 0,l3l 0,l2l

76 0,498 0,l20 0,l30 0,l3l 0,l20

77 0,499 0,l20 0,l30 0,l3l 0,l20

78 0,499 0,l20 0,l30 0,l3l 0,l20

79 0,499 0,l20 0,l30 0,l3l 0,l20

80 0,499 0,l20 0,l30 0,l3l 0,l20

8l 0,499 0,l20 0,l30 0,l3l 0,l20

82 0,499 0,l20 0,l30 0,l3l 0,l20

83 0,499 0,l20 0,l30 0,l3l 0,l20

84 0,499 0,l20 0,l30 0,l3l 0,l20

85 0,499 0,l20 0,l30 0,l3l 0,l20

86 0,499 0,l20 0,l30 0,l3l 0,l20

87 0,499 0,l20 0,l30 0,l32 0,l20

88 0,499 0,l20 0,l30 0,l32 0,l20

89 0,499 0,l20 0,l30 0,l32 0,l20

90 0,499 0,l20 0,l30 0,l3l 0,l20

9l 0,499 0,l20 0,l30 0,l3l 0,l20

92 0,499 0,l20 0,l30 0,l3l 0,l20

93 0,500 0,l20 0,l29 0,l3l 0,l20

94 0,500 0,l20 0,l30 0,l3l 0,l20

95 0,499 0,l20 0,l30 0,l3l 0,l20

96 0,499 0,l20 0,l30 0,l3l 0,l20

97 0,499 0,l20 0,l30 0,l3l 0,l20

98 0,498 0,l20 0,l30 0,l3l 0,l20

99 0,499 0,l20 0,l30 0,l3l 0,l20

loo 0,499 0,l20 0,l30 0,l3l 0,l20

Б.1. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль оценки пользовательских предпочтений и функции полезности с использованием методов машинного обучения»

Б.2. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль получения профиля индивидуальных предпочтений участника движения на общественном транспорте»

Б.3. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль краткосрочного прогнозирования параметров транспортных потоков на основе технологии «Больших данных» с использованием данных реального времени и архивных данных о состоянии транспортных потоков»

Авторы: Агафонов Антон Александрович (Ш!), Юмаганов Александр Сергеевич (Я17), Мясников Владислав Валерьевич (Я и), Бород иное Александр Александрович (IЦ})

Б.4. Свидетельство о государственной регистрации программы для ЭВМ «Программный модуль прогнозирования времени прибытия общественного транспорта с использованием рекуррентной нейронной сети»

В.1. Акт об использовании результатов диссертации в акционерном обществе «Самара-Информспутник»

об использовании результатов диссертации А. А. Бородин она «Методы и алгоритмы оценки и учета предпочтений в персональной iралспортной интеллектуальной рекомендательной системе» п акционерном обществе «С а мара-Информ спутник»

Комиссия в составе ведущего инженера, к.т.н. А. В, Чернова и инженера-математика А. В. Сергеем, рассмотрев диссертацию А. Л, Бородииова, представляемую на сонскание ученой степени кандидата технических наук по специальности 05.13,17 - Теоретические основы информатики, подтверждает, что разработанные! в диссертадионной работе методы, алгоритмы и программные модули были неполъзоваиы при выполнении до говора о со финансирован и и н дальнейшем использовании результатов исследований от 18.05.201 Kr< JJb 173/10 между АО "Оамара-Информс путник" и федеральным государственным автономным образовательным учреждением высшего образования «Самарский национальный исследовательский университет имени академика С. 11. Королева», реализуемого в рамках федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014 - 2020 годы» по теме: «ПерсоЕ{альный цифровой автотранспортный помощник»."

Ведущий инженер, к.т.н, - ... - д g Чернов

УТВЕРЖДАЮ

АКТ

А-В,Сергеев

В.2. Акт об использовании результатов диссертации в федеральном государственном автономном образовательном учреждении высшего образования «Самарский национальный исследовательский университет имени академика С.П. Королева»

УТВЕРЖДАЮ

овательекой работе

Первый. I фаректор - проректор по.н&уч^о-*

'■-^■■^а С_А-Б, Прокофьев

Об 2020г.

АКТ

сю вдпольэоваиии результатов диссертации А. А Ьородинова «Методы » алгоритмы оценки и учета предпочтений б лереопальной транспортной

интеллектуальной рекомендательной системе» ь федеральном Государственном автономном образовательном учреждении высшего образования «Самарский национальный исследовательский уннвереитет имени академика СП. Королева

Комиссии Н составе научного руководителя научио-исследовательской лаборатории гацргформатнйй и информационной безопасности (НИЛ-Щ), д.т.н. В. В. Сергеева и старшего научного сотрудника НИЛ-55, д.ф.-м.и, В. В Мясникова, рассмотрев диссертацию А. А, Бфродинова, представляемую на соискание ученой степени кандидата технических наук по специальности 05,13.17 - Теоретические основы информатики, подтверждает, что разработанные в диссертационной работе методы, алгоритмы и программные модули были использонащ.1 при выполнении федеральной целевой программы «Исследовании и разработки но приоритетным направлениям развития научно-технологи чес кого комплекса России на 2014 - 2020 годы» по геме: «Персональный цифровой автотранспортный помощник» (Уникальный идентификатор проекта К.]-МЕр(57518X0177). Соглашение о предоставлении субсидни о! «26» ноября 2018 года номер соглашения ЭБ 075-02-2018-205. Соглашение о предоставлении субдидии от «03» нюня 2019 года номер соглашения ЭЕ 075-15-2019-062 (внутренний * го мер соглашения 14,575,21.0177),

Научны й ру ко водитель НИЛ-5 5, д.т.н, С г аршин научный сотрудник, д.ф.-м.н.

. 4. 1

В.В. Сергеев В.й. Мясников