Research Article
BibTex RIS Cite

Power-Aware Transport Mode Detection: A Comparative Analysis on Resource-Constrained Smartphones

Year 2026, Volume: 17 Issue: 1, - , 24.03.2026

Göksel Biricik , Ziya Cihan Taysi

https://doi.org/10.24012/dumf.1768364
https://izlik.org/JA53JW55CL

Abstract

Understanding human mobility is crucial for applications like urban planning, traffic management, and personalized services. This paper presents a power-aware transport mode detection approach that leverages a limited set of smartphone sensors and machine learning algorithms to accurately classify various transportation modes while optimizing energy consumption. By focusing on a subset of essential sensors (accelerometers, gyroscopes, magnetometers, etc.) and implementing an optimized data preprocessing pipeline, our method reduces the energy drain associated with continuous data collection. Using the Sussex-Huawei Locomotion dataset, we evaluate seven classification models, namely, 1-Nearest Neighbor, Gaussian Naïve Bayes, Decision Tree, Random Forest, and two Convolutional Neural Networks and a ResNet model. We propose a preprocessing pipeline and a windowing strategy for temporal sensor data, and we demonstrate that Random Forest achieves high classification accuracy (95.05%). The study also discusses trade-offs between model performance, computational cost, and energy efficiency, highlighting the potential of well-designed lightweight models and sensor subsets for real-world deployment. Our findings suggest that traditional models, when properly optimized, can effectively support energy-efficient and privacy-conscious transport mode detection on smartphones.

Keywords

Transport Mode Detection Deep Learning Smartphone Sensors Random Forest

References

  • [1] G. Lan, W. Xu, D. Ma, S. Khalifa, M. Hassan and W. Hu, "EnTrans: Leveraging Kinetic Energy Harvesting Signal for Transportation Mode Detection," in IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 7, pp. 2816-2827, July 2020, DOI: 10.1109/TITS.2019.2918642
  • [2] P. -C. Aubin-Frankowski and N. Petit, "Data-driven approximation of differential inclusions and application to detection of transportation modes," 2020 European Control Conference (ECC), St. Petersburg, Russia, 2020, pp. 1358-1364, DOI: 10.23919/ECC51009.2020.9143694
  • [3] R.A. Hasan, H. Irshaid, F. Alhomaidat, et al. Transportation Mode Detection by Using Smartphones and Smartwatches with Machine Learning. KSCE J Civ Eng 26, pp. 3578–3589, 2022, DOI:10.1007/s12205-022-1281-0
  • [4] “Geolife project webpage,” [Online]. Available : https://www.microsoft.com/en-us/research/project/geolife-building-social-networks-using-human-location-history/downloads, accessed: 2025-01-13.
  • [5] M.-C. Yu, T. Yu, S.-C. Wang, C.-J. Lin, and E. Y. Chang, “Big data small footprint: the design of a low-power classifier for detecting transportation modes,” Proceedings of the VLDB Endowment 7, no. 13, pp. 1429-1440, Aug. 2014. DOI: 10.14778/2733004.2733015
  • [6] L. Wang, H. Gjoreski, M. Ciliberto, S. Mekki, S. Valentin, and D. Roggen, “Enabling reproducible research in sensor-based transportation mode recognition with the sussex-huawei dataset,” IEEE Access, vol. 7, pp. 10870–10891, 2019, DOI: 10.1109/ACCESS.2019.2890793
  • [7] C. Carpineti, V. Lomonaco, L. Bedogni, M. D. Felice and L. Bononi, "Custom Dual Transportation Mode Detection By Smartphone Devices Exploiting Sensor Diversity," 2018 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), Athens, Greece, 2018, pp. 367-372, DOI: 10.1109/PERCOMW.2018.8480119
  • [8] Z. Li, G. Xiong, Z. Wei, Y. Lv, N. Anwar and F. -Y. Wang, "A Semisupervised End-to-End Framework for Transportation Mode Detection by Using GPS-Enabled Sensing Devices," in IEEE Internet of Things Journal, vol. 9, no. 10, pp. 7842-7852, 15 May15, 2022, DOI: 10.1109/JIOT.2021.3115239
  • [9] P. Wang and Y. Jiang, “Transportation mode detection using temporal convolutional networks based on sensors integrated into smartphones,” Sensors, vol. 22, 2022, DOI: 10.3390/s22176712
  • [10] Y. Tian, D. Hettiarachchi, and S. Kamijo, “Transportation mode detection combining cnn and vision transformer with sensors recalibration using smartphone built-in sensors,” Sensors, vol. 22, no. 17, pp. 6453, 2022, DOI: 10.3390/s22176453
  • [11] X. Liu, “Glmlp-trans: A transportation mode detection model using lightweight sensors integrated in smartphones,” Computer Communications, vol. 194, pp. 156–166, 2022, DOI: 10.1016/j.comcom.2022.07.006
  • [12] Q. Tang, K. Jahan, and M. Roth, “Deep cnn-bilstm model for transportation mode detection using smartphone accelerometer and magnetometer,” in 2022 IEEE Intelligent Vehicles Symposium (IV), 2022, pp. 772–778, DOI : 10.1109/IV51971.2022.9827275
  • [13] P. Nirmal, I. Disanayaka, D. Haputhanthri and A. Wijayasiri, "Transportation Mode Detection Using Crowdsourced Smartphone Data," 2021 28th Conference of Open Innovations Association (FRUCT), Moscow, Russia, 2021, pp. 341-349, DOI: 10.23919/FRUCT50888.2021.9347625
  • [14] I. Drosouli, A. Voulodimos, G. Miaoulis, P. Mastorocostas, and D. Ghazanfarpour, "Transportation Mode Detection Using an Optimized Long Short-Term Memory Model on Multimodal Sensor Data" Entropy vol. 23, no. 11, pp. 1457, DOI: 10.3390/e23111457 [15] E. F. d. S. Soares, C. A. d. M. S. Quintella and C. A. V. Campos, "Smartphone-Based Real-Time Travel Mode Detection for Intelligent Transportation Systems," in IEEE Transactions on Vehicular Technology, vol. 70, no. 2, pp. 1179-1189, Feb. 2021, DOI: 10.1109/TVT.2021.3055413
  • [16] A. D. Antar, M. Ahmed, and M. A. R. Ahad, “Recognition of human locomotion on various transportations fusing smartphone sensors,” Pattern Recognition Letters, vol. 148, pp. 146–153, 2021, DOI:10.1016/j.patrec.2021.04.015
  • [17] S. Roy, Y. P. Singh, U. Biswas, D. S. Gurjar and T. Goel, "Machine Learning in Smart Transportation Systems for Mode Detection," 2021 IEEE 18th India Council International Conference (INDICON), Guwahati, India, 2021, pp. 1-6, DOI:10.1109/INDICON52576.2021.9691616
  • [18] J. Iskanderov and M. A. Guvensan, "Breaking the Limits of Transportation Mode Detection: Applying Deep Learning Approach With Knowledge-Based Features," in IEEE Sensors Journal, vol. 20, no. 21, pp. 12871-12884, 1 Nov.1, 2020, DOI: 10.1109/JSEN.2020.3001803
  • [19] X. Liang, Y. Zhang, G. Wang and S. Xu, "A Deep Learning Model for Transportation Mode Detection Based on Smartphone Sensing Data," in IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 12, pp. 5223-5235, Dec. 2020, DOI: 10.1109/TITS.2019.2951165
  • [20] O. Lorintiu and A. Vassilev, "Transportation mode recognition based on smartphone embedded sensors for carbon footprint estimation," 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), Rio de Janeiro, Brazil, 2016, pp. 1976-1981, DOI: 10.1109/ITSC.2016.7795875
  • [21] S. Taherinavid, S. V. Moravvej, Y. -L. Chen, J. Yang, C. S. Ku and P. L. Yee, "Automatic Transportation Mode Classification Using a Deep Reinforcement Learning Approach With Smartphone Sensors," in IEEE Access, vol. 12, pp. 514-533, 2024, DOI:10.1109/ACCESS.2023.3346875
  • [22] Q. Tang, H. Cheng, “Feature pyramid biLSTM: Using smartphone sensors for transportation mode detection,” Transportation Research Interdisciplinary Perspectives, vol. 26, pp. 101181, 2024, DOI:10.1016/j.trip.2024.101181.
  • [23] T. Fourez, N. Verstaevel, F. Migeon, F. Schettini, F. Amblard,“Transport Mode Detection on GNSS and accelerometer data: a temporality based workflow,” Transportation Research Procedia, Vol. 82, pp. 3454-3471, 2025, DOI:10.1016/j.trpro.2024.12.083.
  • [24] M. Merikhipour, S. Khanmohammadidoustani, M. Abbasi, “Transportation mode detection through spatial attention-based transductive long short-term memory and off-policy feature selection,” Expert Systems with Applications, vol. 267, pp. 126196, 2025, DOI:10.1016/j.eswa.2024.126196.
  • [25] G. C. Ibañez, L. J. de la Cruz Llopis, A. C. Diaconeasa, A. B. Guillén and M. Aguilar Igartua, "MobilitApp: A Deep Learning-Based Tool for Transport Mode Detection to Support Sustainable Urban Mobility," IEEE Access, vol. 13, pp. 68439-68461, 2025, DOI: 10.1109/ACCESS.2025.3561238.
  • [26] A. Karite and C. Gentner, "Real-Time Detection of Transport Modes and Movement States via Smartphone Data," 2025 IEEE/ION Position, Location and Navigation Symposium (PLANS), Salt Lake City, UT, USA, 2025, pp. 1087-1094, DOI: 10.1109/PLANS61210.2025.11028195
  • [27] R. Li, X. Song, Y. Wu, X. Yu and H. Huang, "AKTMD: Attention-KAN-Based Neural Networks for Transportation Mode Detection," IEEE Access, vol. 13, pp. 63690-63702, 2025, DOI:10.1109/ACCESS.2025.3559417.
  • [28] P. Sadeghian, J. Hakansson, and X. Zhao, “Review and evaluation of methods in transport mode detection 25based on gps tracking data,” Journal of Traffic and Transportation Engineering, vol. 8, no. 4, pp. 467–482, 2021, DOI: 10.1016/j.jtte.2021.04.004
  • [29] P. Sadeghian, X. Zhao, A. Golshan, and J. H˚akansson, “A stepwise methodology for transport mode detection in gps tracking data,” Travel Behaviour and Society, vol. 26, pp. 159–167, 2022, DOI: 10.1016/j.tbs.2021.10.004
  • [30] I. Drosouli, A. Voulodimos, and G. Miaoulis, “Transportation mode detection using machine learning techniques on mobile phone sensor data,” in 2020 13th ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA), 2020, pp. 1–8., DOI: 10.1145/3389189.3397996
  • [31] A. Efthymiou, E. N. Barmpounakis, D. Efthymiou, and E. I. Vlahogianni, “Transportation mode detection from low-power smartphone sensors using tree-based ensembles,” Journal of Big Data Analytics in Transportation, vol. 1, no. 1, pp. 57–69, Jun 2019, DOI: 10.1007/s42421-019-00004-w
  • [32] P. Wang and Y. Jiang, “Transportation mode detection using temporal convolutional networks based on sensors integrated into smartphones,” Sensors, vol. 22, no. 17, pp. 6712, 2022, DOI: 10.3390/s22176712
  • [33] N. Hnoohom, N. Maitrichit, S. Mekruksavanich and A. Jitpattanakul, "A Deep Residual Network for Recognizing Transportation Vehicles using Smartphone Sensors," 2022 IEEE 13th International Conference on Software Engineering and Service Science (ICSESS), Beijing, China, 2022, pp. 209-213, DOI: 10.1109/ICSESS54813.2022.9930314
  • [34] E. Aslan, Y. Özüpak, F. Alpsalaz and Z. M. S. Elbarbary, "A Hybrid Machine Learning Approach for Predicting Power Transformer Failures Using Internet of Things-Based Monitoring and Explainable Artificial Intelligence," in IEEE Access, vol. 13, pp. 113618-113633, 2025, DOI: 10.1109/ACCESS.2025.3583773

Güç Tüketimine Duyarlı Ulaşım Yöntemi Tespiti: Kaynak Kısıtlı Akıllı Telefonlarda Karşılaştırmalı Bir Analiz

Year 2026, Volume: 17 Issue: 1, - , 24.03.2026

Göksel Biricik , Ziya Cihan Taysi

https://doi.org/10.24012/dumf.1768364
https://izlik.org/JA53JW55CL

Abstract

İnsan hareketliliğinin anlaşılması; kentsel planlama, trafik yönetimi ve kişiselleştirilmiş hizmetler gibi pek çok uygulama açısından kritik bir öneme sahiptir. Bu çalışma, enerji tüketimini optimize ederken çeşitli ulaşım modlarını doğru bir şekilde sınıflandırmak için sınırlı sayıda akıllı telefon sensörü ve makine öğrenme algoritmasından yararlanan, enerjiye duyarlı bir ulaşım modu tespit yöntemi sunmaktadır. Sürekli veri toplamanın neden olduğu enerji kaybının azaltılması için temel algılayıcıların (ivmeölçer, jiroskop, manyetometre v.b.) belirli bir alt kümesine odaklanılmış ve optimize edilmiş bir veri ön işleme süreci kulanılmıştır. Sussex-Huawei Locomotion veri seti kullanılarak 1-En Yakın Komşu, Gauss Naive Bayes, Karar Ağacı, Rastgele Orman ve iki Evrişimsel Sinir Ağı ile bir ResNet modeli olmak üzere yedi sınıflandırma modelinin performansı değerlendirilmiştir. Zamansal algılayıcı verileri için bir ön işleme hattı ile pencereleme stratejisi önerilmiş; Rastgele Orman'ın %95,05 doğruluk oranı ile yüksek sınıflandırma başarısı elde ettiği ortaya konmuştur. Çalışmada ayrıca model performansı, hesaplama maliyeti ve enerji verimliliği arasındaki dengeler tartışılmakta; hafif ve iyi tasarlanmış modellerin gerçek dünya uygulamalarına uyarlanabilirliği vurgulanmaktadır. Bulgular, geleneksel modellerin uygun şekilde optimize edildiklerinde akıllı telefonlarda enerji verimli ve gizlilik odaklı ulaşım modu tespitini etkin biçimde destekleyebileceğini göstermektedir.

Keywords

Ulaşım yöntemi tespiti Derin öğrenme Akıllı telefon algılayıcıları Rasgele Orman CNN

References

  • [1] G. Lan, W. Xu, D. Ma, S. Khalifa, M. Hassan and W. Hu, "EnTrans: Leveraging Kinetic Energy Harvesting Signal for Transportation Mode Detection," in IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 7, pp. 2816-2827, July 2020, DOI: 10.1109/TITS.2019.2918642
  • [2] P. -C. Aubin-Frankowski and N. Petit, "Data-driven approximation of differential inclusions and application to detection of transportation modes," 2020 European Control Conference (ECC), St. Petersburg, Russia, 2020, pp. 1358-1364, DOI: 10.23919/ECC51009.2020.9143694
  • [3] R.A. Hasan, H. Irshaid, F. Alhomaidat, et al. Transportation Mode Detection by Using Smartphones and Smartwatches with Machine Learning. KSCE J Civ Eng 26, pp. 3578–3589, 2022, DOI:10.1007/s12205-022-1281-0
  • [4] “Geolife project webpage,” [Online]. Available : https://www.microsoft.com/en-us/research/project/geolife-building-social-networks-using-human-location-history/downloads, accessed: 2025-01-13.
  • [5] M.-C. Yu, T. Yu, S.-C. Wang, C.-J. Lin, and E. Y. Chang, “Big data small footprint: the design of a low-power classifier for detecting transportation modes,” Proceedings of the VLDB Endowment 7, no. 13, pp. 1429-1440, Aug. 2014. DOI: 10.14778/2733004.2733015
  • [6] L. Wang, H. Gjoreski, M. Ciliberto, S. Mekki, S. Valentin, and D. Roggen, “Enabling reproducible research in sensor-based transportation mode recognition with the sussex-huawei dataset,” IEEE Access, vol. 7, pp. 10870–10891, 2019, DOI: 10.1109/ACCESS.2019.2890793
  • [7] C. Carpineti, V. Lomonaco, L. Bedogni, M. D. Felice and L. Bononi, "Custom Dual Transportation Mode Detection By Smartphone Devices Exploiting Sensor Diversity," 2018 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops), Athens, Greece, 2018, pp. 367-372, DOI: 10.1109/PERCOMW.2018.8480119
  • [8] Z. Li, G. Xiong, Z. Wei, Y. Lv, N. Anwar and F. -Y. Wang, "A Semisupervised End-to-End Framework for Transportation Mode Detection by Using GPS-Enabled Sensing Devices," in IEEE Internet of Things Journal, vol. 9, no. 10, pp. 7842-7852, 15 May15, 2022, DOI: 10.1109/JIOT.2021.3115239
  • [9] P. Wang and Y. Jiang, “Transportation mode detection using temporal convolutional networks based on sensors integrated into smartphones,” Sensors, vol. 22, 2022, DOI: 10.3390/s22176712
  • [10] Y. Tian, D. Hettiarachchi, and S. Kamijo, “Transportation mode detection combining cnn and vision transformer with sensors recalibration using smartphone built-in sensors,” Sensors, vol. 22, no. 17, pp. 6453, 2022, DOI: 10.3390/s22176453
  • [11] X. Liu, “Glmlp-trans: A transportation mode detection model using lightweight sensors integrated in smartphones,” Computer Communications, vol. 194, pp. 156–166, 2022, DOI: 10.1016/j.comcom.2022.07.006
  • [12] Q. Tang, K. Jahan, and M. Roth, “Deep cnn-bilstm model for transportation mode detection using smartphone accelerometer and magnetometer,” in 2022 IEEE Intelligent Vehicles Symposium (IV), 2022, pp. 772–778, DOI : 10.1109/IV51971.2022.9827275
  • [13] P. Nirmal, I. Disanayaka, D. Haputhanthri and A. Wijayasiri, "Transportation Mode Detection Using Crowdsourced Smartphone Data," 2021 28th Conference of Open Innovations Association (FRUCT), Moscow, Russia, 2021, pp. 341-349, DOI: 10.23919/FRUCT50888.2021.9347625
  • [14] I. Drosouli, A. Voulodimos, G. Miaoulis, P. Mastorocostas, and D. Ghazanfarpour, "Transportation Mode Detection Using an Optimized Long Short-Term Memory Model on Multimodal Sensor Data" Entropy vol. 23, no. 11, pp. 1457, DOI: 10.3390/e23111457 [15] E. F. d. S. Soares, C. A. d. M. S. Quintella and C. A. V. Campos, "Smartphone-Based Real-Time Travel Mode Detection for Intelligent Transportation Systems," in IEEE Transactions on Vehicular Technology, vol. 70, no. 2, pp. 1179-1189, Feb. 2021, DOI: 10.1109/TVT.2021.3055413
  • [16] A. D. Antar, M. Ahmed, and M. A. R. Ahad, “Recognition of human locomotion on various transportations fusing smartphone sensors,” Pattern Recognition Letters, vol. 148, pp. 146–153, 2021, DOI:10.1016/j.patrec.2021.04.015
  • [17] S. Roy, Y. P. Singh, U. Biswas, D. S. Gurjar and T. Goel, "Machine Learning in Smart Transportation Systems for Mode Detection," 2021 IEEE 18th India Council International Conference (INDICON), Guwahati, India, 2021, pp. 1-6, DOI:10.1109/INDICON52576.2021.9691616
  • [18] J. Iskanderov and M. A. Guvensan, "Breaking the Limits of Transportation Mode Detection: Applying Deep Learning Approach With Knowledge-Based Features," in IEEE Sensors Journal, vol. 20, no. 21, pp. 12871-12884, 1 Nov.1, 2020, DOI: 10.1109/JSEN.2020.3001803
  • [19] X. Liang, Y. Zhang, G. Wang and S. Xu, "A Deep Learning Model for Transportation Mode Detection Based on Smartphone Sensing Data," in IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 12, pp. 5223-5235, Dec. 2020, DOI: 10.1109/TITS.2019.2951165
  • [20] O. Lorintiu and A. Vassilev, "Transportation mode recognition based on smartphone embedded sensors for carbon footprint estimation," 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), Rio de Janeiro, Brazil, 2016, pp. 1976-1981, DOI: 10.1109/ITSC.2016.7795875
  • [21] S. Taherinavid, S. V. Moravvej, Y. -L. Chen, J. Yang, C. S. Ku and P. L. Yee, "Automatic Transportation Mode Classification Using a Deep Reinforcement Learning Approach With Smartphone Sensors," in IEEE Access, vol. 12, pp. 514-533, 2024, DOI:10.1109/ACCESS.2023.3346875
  • [22] Q. Tang, H. Cheng, “Feature pyramid biLSTM: Using smartphone sensors for transportation mode detection,” Transportation Research Interdisciplinary Perspectives, vol. 26, pp. 101181, 2024, DOI:10.1016/j.trip.2024.101181.
  • [23] T. Fourez, N. Verstaevel, F. Migeon, F. Schettini, F. Amblard,“Transport Mode Detection on GNSS and accelerometer data: a temporality based workflow,” Transportation Research Procedia, Vol. 82, pp. 3454-3471, 2025, DOI:10.1016/j.trpro.2024.12.083.
  • [24] M. Merikhipour, S. Khanmohammadidoustani, M. Abbasi, “Transportation mode detection through spatial attention-based transductive long short-term memory and off-policy feature selection,” Expert Systems with Applications, vol. 267, pp. 126196, 2025, DOI:10.1016/j.eswa.2024.126196.
  • [25] G. C. Ibañez, L. J. de la Cruz Llopis, A. C. Diaconeasa, A. B. Guillén and M. Aguilar Igartua, "MobilitApp: A Deep Learning-Based Tool for Transport Mode Detection to Support Sustainable Urban Mobility," IEEE Access, vol. 13, pp. 68439-68461, 2025, DOI: 10.1109/ACCESS.2025.3561238.
  • [26] A. Karite and C. Gentner, "Real-Time Detection of Transport Modes and Movement States via Smartphone Data," 2025 IEEE/ION Position, Location and Navigation Symposium (PLANS), Salt Lake City, UT, USA, 2025, pp. 1087-1094, DOI: 10.1109/PLANS61210.2025.11028195
  • [27] R. Li, X. Song, Y. Wu, X. Yu and H. Huang, "AKTMD: Attention-KAN-Based Neural Networks for Transportation Mode Detection," IEEE Access, vol. 13, pp. 63690-63702, 2025, DOI:10.1109/ACCESS.2025.3559417.
  • [28] P. Sadeghian, J. Hakansson, and X. Zhao, “Review and evaluation of methods in transport mode detection 25based on gps tracking data,” Journal of Traffic and Transportation Engineering, vol. 8, no. 4, pp. 467–482, 2021, DOI: 10.1016/j.jtte.2021.04.004
  • [29] P. Sadeghian, X. Zhao, A. Golshan, and J. H˚akansson, “A stepwise methodology for transport mode detection in gps tracking data,” Travel Behaviour and Society, vol. 26, pp. 159–167, 2022, DOI: 10.1016/j.tbs.2021.10.004
  • [30] I. Drosouli, A. Voulodimos, and G. Miaoulis, “Transportation mode detection using machine learning techniques on mobile phone sensor data,” in 2020 13th ACM International Conference on PErvasive Technologies Related to Assistive Environments (PETRA), 2020, pp. 1–8., DOI: 10.1145/3389189.3397996
  • [31] A. Efthymiou, E. N. Barmpounakis, D. Efthymiou, and E. I. Vlahogianni, “Transportation mode detection from low-power smartphone sensors using tree-based ensembles,” Journal of Big Data Analytics in Transportation, vol. 1, no. 1, pp. 57–69, Jun 2019, DOI: 10.1007/s42421-019-00004-w
  • [32] P. Wang and Y. Jiang, “Transportation mode detection using temporal convolutional networks based on sensors integrated into smartphones,” Sensors, vol. 22, no. 17, pp. 6712, 2022, DOI: 10.3390/s22176712
  • [33] N. Hnoohom, N. Maitrichit, S. Mekruksavanich and A. Jitpattanakul, "A Deep Residual Network for Recognizing Transportation Vehicles using Smartphone Sensors," 2022 IEEE 13th International Conference on Software Engineering and Service Science (ICSESS), Beijing, China, 2022, pp. 209-213, DOI: 10.1109/ICSESS54813.2022.9930314
  • [34] E. Aslan, Y. Özüpak, F. Alpsalaz and Z. M. S. Elbarbary, "A Hybrid Machine Learning Approach for Predicting Power Transformer Failures Using Internet of Things-Based Monitoring and Explainable Artificial Intelligence," in IEEE Access, vol. 13, pp. 113618-113633, 2025, DOI: 10.1109/ACCESS.2025.3583773
There are 33 citations in total.

Details

Primary Language English
Subjects Deep Learning, Machine Learning (Other), Artificial Intelligence (Other)
Journal Section Research Article
Authors

Göksel Biricik 0000-0002-4768-7431

Ziya Cihan Taysi 0000-0003-3916-7492

Submission Date August 19, 2025
Acceptance Date March 14, 2026
Publication Date March 24, 2026
DOI https://doi.org/10.24012/dumf.1768364
IZ https://izlik.org/JA53JW55CL
Published in Issue Year 2026 Volume: 17 Issue: 1

Cite

IEEE [1]G. Biricik and Z. C. Taysi, “Power-Aware Transport Mode Detection: A Comparative Analysis on Resource-Constrained Smartphones”, DUJE, vol. 17, no. 1, Mar. 2026, doi: 10.24012/dumf.1768364.

Aim & Scope

Temel mühendislik alanında deneysel ve teorik çalışmalara yer veren Dicle Üniversitesi Mühendislik Dergisi, mühendisliğin popüler konuları ile ilgili makalelerin yayınlanmasına öncelik vermekte ve multidisipliner yöntem ve teknolojilere odaklanmayı hedeflemektedir.

Dicle Üniversitesi Mühendislik Dergisi, çok disiplinli bir dergidir ve temel mühendislik konularını içerir. Derginin amacı, bilim ve teknolojideki en popüler gelişmeleri araştırmacılara, mühendislere ve diğer ilgili kitlelere ulaştırmaktır.

Dicle Üniversitesi Mühendislik Fakültesi Dergisi (DUMF), mühendisliğin çeşitli alanlarında özgün araştırma makalelerinin yanı sıra derleme makalelerini de yayınlayan, hakemli, açık erişimli bir dergidir. Derginin kapsadığı konu alanları şunlardır:


-Elektrik ve Elektronik Mühendisliği
-Bilgisayar ve Yazılım Mühendisliği
-Biyomedikal Mühendisliği
-Makine Mühendisliği
-Cevher Hazırlama ve Maden Mühendisliği
-İnşaat Mühendisliği

DUMF Dergisi makale yükleme aşamasında gerekli olan genel yazım formatına sahiptir. Makalenizi yazarken yükleme öncesi bu formatı kullanma ihtiyacı duyabilirsiniz. Süreci kolaylaştırmak açısından indirmeye hazır word formatları sizler için sunulmuştur.

Türkçe Makale Şablonu (*.docx)
İngilizce Makale Şablonu (*.docx) (tavsiye edilen)

Makaleniz revizyon aşamasında iken makalenizin kabulü için gereklilikleri yerine getirip çalışmanızı doğru bir formatta sisteme yüklemelisiniz.


Kör Hakemlik:
Gönderdiğiniz makale hakemlere gönderileceğinden, metin içerisinde yazarlar hakkında tanımlayıcı herhangi bir bilgiye yer vermemeniz son derece önemlidir.
Lütfen potansiyel tanımlayıcı bilgiler için metnin gövdesini gözden geçirin ve tüm öz atıfların hem metin içi atıflar hem de referanslar için Yazar (Yıl) olarak belirtildiğinden emin olun.


Makale Yapısı
Giriş
Çalışmanın amaçlarını belirtin ve ayrıntılı bir literatür taramasından veya sonuçların bir özetinden kaçınarak çalışma ile ilgili yeterli bir literatür zemini sağlayınız.

Materyal ve Metod
Çalışmanın diğer bir araştırmacı tarafından izlenilmesine imkan vermek için yeterli ayrıntı sağlayınız. Çalışmada kullanılan yöntemler özetlenmeli ve bir referans ile belirtilmelidir. Doğrudan daha önce yayınlanmış bir yöntemden alıntı yapıyorsanız, tırnak işaretleri kullanınız ve ayrıca kaynak belirtiniz. Mevcut yöntemlerde yapılacak herhangi bir değişiklik de açıklanmalıdır.

Sonuçlar
Sonuçlar açık ve net olmalıdır.

Tartışma
Bu kısım çalışmanın önemini vurgulamalı, sonuçların tekrarını içermemelidir. Sonuçlar ve tartışma kısmı birlikte de verilebilir. Literatürdeki çalışmalara büyük oranda atıfta bulunup tartışmaktan kaçınılmalıdır.


Sonuç
Çalışmanın ana sonuçları, tek başına veya bir Tartışma veya Sonuçlar ve Tartışma bölümünün bir alt bölümünü oluşturabilecek kısa bir Sonuçlar bölümü olarak da sunulabilir.

Teşekkür
Bu bölümde, yazarın katkısı veya finansman bölümlerinin dışında herhangi bir desteğe yer verebilirsiniz. Bu kısım, idari ve teknik desteği veya ayni bağışları (örneğin deneyler için kullanılan malzemeler) içerebilir.

Referanslar
Kaynakların IEEE atıf stili ile hazırlanması tavsiye edilir. Formatın detayları şablon dosyasında verilmiştir.

ORCID zorunluluğu
Dergimize makale gönderen yazarların ORCID numaralarını eklemeleri gerekmektedir. ORCID, Open Researcher ve Contributor ID'nin kısaltmasıdır. ORCID, Uluslararası Standart Ad Tanımlayıcı (ISNI) olarak da bilinen ISO Standardı (ISO 27729) ile uyumlu 16 haneli numaralı bir URL'dir. Bireysel ORCID için http://orcid.org adresinden ücretsiz kayıt oluşturabilirsiniz.

Telif Hakkı

Kabul edilen makalelerin yazarları, makalenin telif hakkını DUMF'ye devretmeyi ve DUMF'nin stiline bağlı kalarak nihai hallerini elektronik ortamda göndermeyi kabul etmelidir.


Dergi İntihal Politikası
Dicle Üniversitesi Mühendislik Dergisi, makaleleri/derlemeleri intihal açısından değerlendirme politikasına sahiptir. Dergimize makale göndermeden önce uygun intihal yazılım programları (iThenticate, Turnitin vb.) ile makalenizdeki benzerlik durumu/oranını kontrol etmeniz önerilir. Bu doğrultuda dergimize gönderilen makaleler/derlemeler ön değerlendirmeye tabi tutulur; Turnitin yazılımı ile belirlenen benzerlik oranı %30'un altında olan yazılar Yayın Kurulumuz tarafından kabul edilecektir. Belirtilen oranın (%30) üzerinde olan makaleler/incelemeler yazar(lar)a iade edilir.

Gönderim Sırasında Gerekli Dosyalar:

1) İntihal Formu (Makaleler IThenticate, Turnitin vb. raporlarla birlikte değerlendirilecektir)

2) Hakem Öneri Formu

3) Telif Hakları Devri Formu

4) Ön Yazı



Revizyon  Sırasında Yazar tarafından yüklenmesi gerekli dosyalar:

1) Hakemlere Cevap Formu

2) Yapılan Değişiklikleri Gösteren Makale Dosyası

3) Makalenin Son Hali


Kabul sonrası yüklenmesi gereken dosyalar

1) Makalenin basıma hazır hali (yazar bilgileri eklenmiş versiyon)

İlgili makale çalışmanın yapıldığı kurum(lar)la ilgili uygun etik kurullar tarafından onaylandığına ve deneklerin çalışmayla ilgili bilgilendirilip onay verdiğine dair bir ifade içermelidir.

Etik Kurul izni gerektiren araştırmalar aşağıdaki gibidir:

-Katılımcılardan anket, görüşme, odak grup çalışması, gözlem, deney, görüşme teknikleri kullanılarak veri toplanmasını gerektiren nitel veya nicel yaklaşımlarla yürütülen her türlü araştırma.

-İnsan ve hayvanların (materyal/veri dahil) deneysel veya diğer bilimsel amaçlarla kullanılması

-İnsanlar üzerinde klinik araştırma

-Hayvanlar üzerinde araştırma

-Kişisel verilerin korunması kanununa uygun olarak geriye dönük çalışmalar

-Başkalarına ait ölçek, anket ve fotoğrafların kullanımı için izin alınması ve sahiplerinin belirtilmesi

-Kullanılan fikir ve eserlerde telif haklarına uyulduğunun belirtilmesi

Yayın Kurulunun 5 Ekim 2022 tarihli kararına göre talep edilen ücret miktarı revize edilmiştir.

Her makale gönderimi için "500TL" makale işletim ücreti talep edilmektedir. Bu ücret, Derginin profesyonel dizgisi için kullanılır. İlgili makale işletim ücreti kabul/red şartına bakılmaksızın makale gönderim sırasında talep edilmektedir.

Ücret Ödenecek Hesap Bilgileri:

Türk Lirası Hesabı (Banka/Şube): VakıfBank, Dicle Üniversitesi Bağlı Şubesi
Hesap Adı: Dicle Universitesi Muhendislik Fakultesi Dekanlığı
Hesap No: 00158007306834414
IBAN: TR300001500158007306834414

NOT: İlgili APC ödemesi makaleniz ön değerlendirmeden geçtikten sonra Dergi sekreteryasından alacağınız ön onay mesajı sonrası yapılmaktadır.
Lütfen Editör Kurulunun yapacağı ön değerlendirme sonrası Dergipark sistemi üzerinden alacağınız mesajı bekleyiniz.

Tel: +90-412 241 10 00 (3637)

E-posta: muhendislikdergisi@dicle.edu.tr

Citation Indexes

TR Dizin
Index Copernicus

Other Indexes

Index Copernicus
Arastirmax- Engineering Sciences Index
Sobiad
Ebsco

Baş Editör

Mehmet Siraç Özerdem
Mehmet Siraç ÖZERDEM
Deep Learning, Neural Networks, Classification Algorithms, Evolutionary Computation

Editör Kurulu

Default avatar
Bilal GÜMÜŞ
Fuzzy Computation, Electrical Engineering, Electrical Energy Transmission, Networks and Systems, Electrical Energy Generation (Incl. Renewables, Excl. Photovoltaics), Electrical Machines and Drives, Photovoltaic Power Systems, Power Electronics, Renewable Energy Resources
Erhan Çetin
Erhan ÇETİN
Engineering, Mining Engineering, Mine Design, Management and Economy, Mining Methods and Mine System Analysis, Optimization in Manufacturing
İdris Bedirhanoğlu
İdris BEDİRHANOĞLU

Visiting Professor at Oxford University, Dr. Idris Bedirhanoglu, who holds Bachelor and MSc degrees in Civil Engineering, got his Ph.D. from Istanbul Technical University with a co-advisor from Purdue University where he did a part of his PhD. He has been a Professor of Structural Engineering at Dicle University since March 2023. He worked as a Research Scientist at the Engineering Faculty of New York University Abu Dhabi in 2018-2019. He is the author/co-author of more than 40 journals (SCI or SCIE) or international conference papers and a co-author of four book chapters. He is on the Editorial Board of M. of J. of World Architecture and Engineering News (2014-2016), and a reviewer of more than 20 journals (SCI or SCIE). He is skilled in structural analysis, particularly in evaluating existing structures and retrofitting. As well, he has provided consultancy to more than 100 industrial projects. He has served as a member of the Technical Delegation to Evaluate Objections to Risky Building Detections (Ministry of Environment and Urbanization, General Directorates for Environment and Urbanization), vice chair of the Civil Engineering Department at Dicle University (2018-2019) and chair of the structural engineering laboratory (2010-2018). His main research interests include seismic design and evaluation of RC and historical structures, retrofitting buildings with FRP composites or textile fibers, recycling concrete, nondestructive testing, fuzzy logic, and finite element analysis.
Civil Engineering, Reinforced Concrete Buildings, Earthquake Engineering, Structural Engineering
Atilla Gencer Devecioğlu
Atilla Gencer DEVECİOĞLU
Installation Technologies, Renewable Energy Resources , Mechanical Engineering, Energy Generation, Conversion and Storage (Excl. Chemical and Electrical)

Teknik Editör

Mesut Şeker
Mesut ŞEKER

Dicle Üniversitesi'nden Elektrik-Elektronik Mühendisliği alanında 2017 yılında  yüksek lisans derecesini, 2023 yılında doktora derecesini aldı. 2025 yılında Wake Forest University School of Medicine Center for Artificial Intelligence Research'de PostDoc derecesi aldı. Şuan Dicle Üniversitesi'nden Elektrik-Elektronik Mühendisliği bölümünde  Dr. Öğr. Üyesi olarak görev yapmaktadır. Araştırma ilgi alanları arasında Medikal Görüntü İşleme, Derin Öğrenme, Makine Öğrenmesi, Tıbbi Bilişim, Dijital Patoloji yer almaktadır.
Pattern Recognition, Machine Learning, Deep Learning, Biomedical Sciences and Technology, Electrical Engineering, Signal Processing