Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Extending the Delaunay Triangulation Based Density Measurement to Many-Objective Optimization Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Estimating Passenger Preferences Using Implicit Relevance Feedback for Personalized Journey Planning

verfasst von : Mohammad Haqqani, Xiaodong Li, Xinghuo Yu

Erschienen in: Artificial Life and Computational Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Personalized journey planning is becoming increasingly popular, due to strong practical interests in high-quality route solutions aligned with commuter preferences. In a journey planning system, travelers are not just mere users of the systems, instead they represent an active component willing to take different routes based on their own preferences, e.g., the fastest, least number of changes, or cheapest journey. In this work, we propose a novel preference estimation method that incorporates implicit relevance feedback methods into the journey planner, aiming to provide more relevant journeys to the commuters. Our method utilizes commuters’ travel history to estimate the corresponding preference model. The model is adaptive and can be updated iteratively during the user/planner interactions. By conducting experiments on a real dataset, it can be demonstrated that the proposed method provide more relevant journeys even in absence of explicit ratings from the users.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Evolutionary Multi-criteria Journey Planning Algorithm for Multimodal Transportation Networks
Nächstes Kapitel Quantitative Assessment of Heart Function: A Hybrid Mechanism for Left Ventricle Segmentation from Cine MRI Sequences
Literatur
1.
2.
Adomavicius, G., Tuzhilin, A.: Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Trans. Knowl. Data Eng. 17(6), 734–749 (2005)CrossRef
3.
4.
Balke, W.-T., Kiessling, W., Unbehend, C.: A situation-aware mobile traffic information system. In: Proceedings of the 36th Annual Hawaii International Conference on System Sciences, p. 10. IEEE (2003)
5.
Balke, W.-T., Kießling, W., Unbehend, C.: Performance and quality evaluation of a personalized route planning system. In: SBBD, pp. 328–340. Citeseer (2003)
6.
Balke, W.-T., Kießling, W., Unbehend, C.: Personalized services for mobile route planning: a demonstration. In: Proceedings of the International Conference on Data Engineering 2003, pp. 771–773. IEEE Computer Society Press (1998)
7.
Bell, P., Knowles, N., Everson, P.: Measuring the quality of public transport journey planning. In: IET and ITS Conference on Road Transport Information and Control (RTIC), pp. 1–4. IET (2012)
8.
Branke, J., Kaußler, T., Schmeck, H.: Guidance in evolutionary multi-objective optimization. Adv. Eng. Softw. 32(6), 499–507 (2001)CrossRefMATH
9.
Casey, B., Bhaskar, A., Guo, H., Chung, E.: Critical review of time-dependent shortest path algorithms: a multimodal trip planner perspective. Transp. Rev. 34(4), 522–539 (2014)CrossRef
10.
Clarke, F., Ekeland, I.: Solutions périodiques, du période donnée, des équations hamiltoniennes. Note CRAS Paris 287, 1013–1015 (1978)MathSciNetMATH
11.
Herlocker, J.L., Konstan, J.A., Terveen, L.G., Riedl, J.T.: Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst. (TOIS) 22(1), 5–53 (2004)CrossRef
12.
Konak, A., Coit, D.W., Smith, A.E.: Multi-objective optimization using genetic algorithms: a tutorial. Reliab. Eng. Syst. Saf. 91(9), 992–1007 (2006)CrossRef
13.
Lathia, N., Capra, L.: Mining mobility data to minimise travellers’ spending on public transport. In: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 1181–1189. ACM (2011)
14.
Letchner, J., Krumm, J., Horvitz, E.: Trip router with individualized preferences (trip): incorporating personalization into route planning. In: Proceedings of the National Conference on Artificial Intelligence, vol. 21, pp. Menlo Park, CA; Cambridge, MA; London; AAAI Press; MIT Press; 1999, 2006 (1795)
15.
Liu, B.: Intelligent route finding: combining knowledge, cases and an efficient search algorithm’. In: ECAI, vol. 96, pp. 380–384. Citeseer (1996)
16.
McGinty, L., Smyth, B.: Personalised route planning: a case-based approach. In: Blanzieri, E., Portinale, L. (eds.) EWCBR 2000. LNCS, vol. 1898, pp. 431–443. Springer, Heidelberg (2000). doi:10.​1007/​3-540-44527-7_​37 CrossRef
17.
Pelletier, M.-P., Trépanier, M., Morency, C.: Smart card data in public transit planning: a review. CIRRELT (2009)
18.
Trépanier, M., Chapleau, R., Allard, B.: Can trip planner log files analysis help in transit service planning? J. Publ. Transp. 8(2), 5 (2005)
19.
Yuan, J., Zheng, Y., Xie, X., Sun, G.: Driving with knowledge from the physical world. In: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 316–324. ACM (2011)
Metadaten
Titel
Estimating Passenger Preferences Using Implicit Relevance Feedback for Personalized Journey Planning
verfasst von
Mohammad Haqqani
Xiaodong Li
Xinghuo Yu
Copyright-Jahr
2017
Buch
Artificial Life and Computational Intelligence

Print ISBN: 978-3-319-51690-5

Electronic ISBN: 978-3-319-51691-2

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-51691-2_14

Premium Partner

    Bildnachweise