دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات پژوهشی اقتصاددانلود رایگان مقالات پژوهشی شهرسازیدانلود رایگان مقالات پژوهشی معماریدانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی اقتصاددانلود رایگان مقالات ژورنالی شهرسازیدانلود رایگان مقالات ژورنالی معماریدانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2020دانلود رایگان مقاله ISI اقتصاد به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI اقتصاد مالی به زبان انگلیسیدانلود رایگان مقاله ISI اینترنت و شبکه های گسترده به زبان انگلیسیدانلود رایگان مقاله ISI تکنولوژی معماری به زبان انگلیسیدانلود رایگان مقاله ISI سامانه های شبکه ای به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI شهر هوشمند به زبان انگلیسیدانلود رایگان مقاله ISI طراحی شهری به زبان انگلیسیدانلود رایگان مقاله ISI قیمت گذاری به زبان انگلیسیدانلود رایگان مقاله ISI مدیریت شهری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی شهرسازی به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی معماری به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI یادگیری ماشین به زبان انگلیسیسال انتشارمقالات Q1 اقتصاد به زبان انگلیسیمقالات Q1 شهرسازی به زبان انگلیسیمقالات Q1 فناوری اطلاعات به زبان انگلیسیمقالات Q1 معماری به زبان انگلیسیمقالات اقتصاد با ایمپکت فاکتور بالا به زبان انگلیسیمقالات شهرسازی با ایمپکت فاکتور بالا به زبان انگلیسیمقالات فناوری اطلاعات با ایمپکت فاکتور بالا به زبان انگلیسیمقالات معماری با ایمپکت فاکتور بالا به زبان انگلیسی

مقاله انگلیسی رایگان در مورد یک سیستم قیمت گذاری کارامد پارکینگ هوشمند برای محیط شهر هوشمند – الزویر ۲۰۲۰

 

مشخصات مقاله
ترجمه عنوان مقاله یک سیستم قیمت گذاری کارامد پارکینگ هوشمند برای محیط شهر هوشمند: یک رویکرد مبتنی بر یادگیری ماشین
عنوان انگلیسی مقاله An efficient smart parking pricing system for smart city environment: A machine-learning based approach
انتشار مقاله سال ۲۰۲۰
تعداد صفحات مقاله انگلیسی ۱۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۷٫۰۰۷ در سال ۲۰۱۹
شاخص H_index ۹۳ در سال ۲۰۲۰
شاخص SJR ۰٫۸۳۵ در سال ۲۰۱۹
شناسه ISSN ۰۱۶۷-۷۳۹X
شاخص Quartile (چارک) Q1 در سال ۲۰۱۹
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط اقتصاد، شهرسازی، معماری، فناوری اطلاعات
گرایش های مرتبط اقتصاد مالی، طراحی شهری، مدیریت شهری، سامانه های شبکه ای، اینترنت و شبکه های گسترده، تکنولوژی معماری، شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله  نسل آینده سیستم های رایانه ای – Future Generation Computer Systems
دانشگاه Department of Computer Science and Engineering, Thapar Institute of Engineering and Technology, Patiala 147004, Punjab, India
کلمات کلیدی پیش بینی اشغال پارکینگ، قیمت گذاری پویای پارکینگ، قیمت گذاری پارکینگ بر اساس اشغال، قیمت گذاری مبتنی بر زمان، قیمت گذاری منطقه ای، یادگیری ماشین
کلمات کلیدی انگلیسی Parking occupancy prediction، Dynamic parking pricing، Occupancy driven parking pricing، Time based pricing، Area based pricing، Machine learning
شناسه دیجیتال – doi
https://doi.org/10.1016/j.future.2020.01.031
کد محصول E14353
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

۱- Introduction

۲- Literature review

۳- Problem formulation

۴- The methodology

۵- Results and discussions

۶- Conclusion

References

بخشی از متن مقاله:

Abstract

Now-a-days, with the ever increasing number of vehicles, getting parking space at right place and on time has become an inevitable necessity for all across the globe. In this context, finding an unoccupied parking slot by the interested vehicle owners with least overhead becomes an NP-Hard problem bounded by various constraints. In-advance availability of information regarding parking occupancy plays a major role in hassle free trip optimization for motorists. It also facilitates services-cum-profit management for the parking owners. It further helps in curbing congestion by reducing cruising time and hence, helps in controlling pollution of the smart cities. Thus, accurate and timely information regarding parking occupancy and availability has become the basic need in the evolution of the smart cities. Motivated by these facts, an occupancy-driven machine learning based on-street parking pricing scheme is proposed in this paper. The proposed scheme uses machine learning based approaches to predict occupancy of parking lots, which in turn is used to deduce occupancy driven prices for arriving vehicles. In order to train, test, and compare different machine learning models, on-street parking data of Seattle city has been used. To the best of our knowledge, this is the first time that parking occupancy prediction system is used to generate occupancy based parking prices for on-street parking system of the Seattle city. Results obtained using the proposed occupancy driven machine learning based on-street parking pricing scheme demonstrate its effectiveness over other existing state-of-the-art schemes.

Introduction

In most of the cities around the world, parking is considered to be a big problem because of many reasons, such as increase in population size, number and size of vehicles, limited parking spaces, traffic congestion on roads, locations of parking lots etc. With the rapid increase in the number of vehicles, getting and providing parking slots has become a challenge for the parkers and transport authorities/owners respectively. Usage of private vehicles over public transportation is always individual’s choice due to varying comfort levels, less travel time, and ease of travel etc. With increase in private vehicles, cruising time and congestion increases invariably. Most of the vehicles spent significant time on roads in searching parking spaces instead of commuting. This increases congestion on the roads. Situations get even worse during rush hours and near hot spots. This unnecessary congestion leads to overcrowding of vehicles, increase in carbon emissions, and raises various traffic management problems.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا