Astaraki

فاكتورهاي ويژه‌ مدل تطبيقي شبكه عصبي فازي در پيش‌بيني ترافيک

خلاصه:
اين مقاله به دومين قسمتي از چارچوب يك مدل پيش‌بيني ترافيك در مقابله مولف (در سال 2003) مربوط مي‌شود. اين مدل ابتدا، سروصداهايي كه توسط شرايط مسافرتي مرتبي سبب شده را رفع مي‌كند، و روش بي‌سروصداي تكان‌دهنده‌اي كه موضوع مقاله قبلي است را بكار مي‌برد. دومين قسمت از اين مدل به طور كمي تأثير استفاده از عوامل ويژه يك شبكه فازي عصبي كه مركز شرح در مقاله حاضرست را محاسبه مي‌كند.



1- مقدمه: پيش‌بيني وضع ترافيك براي مسافران كه با كفايت از زمانشان درست استفاده مي‌كنند و نيروي توليد را افزايش مي‌دهند، خيلي سودمند است. آن همچنين مي تواند اطلاعات ترافيكي سودمندي را براي موتورها و گردانندهاي تندرو فراهم‌ ‌كند. مدل پيش‌بيني يك ترافيك خوب براي تهيه پيش‌بيني ترافيكي درست اساسي است. ولي، در دنياي واقعي، سيستم‌هاي حمل و نقل خيلي پيچيده , براي پيش‌بيني مشكل‌اند چون عوامل موثر بسيار پيچيده‌اي وجود دارند.
براي يك مدل پيش‌بيني ترافيك قابل تامل بايد برخورد پيچيده‌اي از تمام عناصر و عكس‌العمل‌هايشان وقتي كه براي سيستم‌هاي واقعي بكار مي‌رود، تصور ‌شود. چنين عناصر‌موثري عوامل ويژه ناميده مي شود. اينها شامل، آب‌و‌هوا، برخوردها‌، ساختمان‌ها، اتفاقات‌ خاص‌ و حتي مهمترين تصميمات بشر كه توسط رانندگان گرفته شده، مي‌باشد. هر عنصري توانست يك برخورد مختلفي روي تمام سيستم ترافيكي داشته باشد. به علاوه، تأثير طرح هندسي جاده به همان اندازه بستگي دارد. مدل‌هاي زيادي براي حل كردن مشكلي در سيستم‌ پيشنهاد شده و يك پيش‌بيني درست مربوطه‌اي توسط كاربرد نگرش‌هاي مختلفي فراهم شده. آنها همه مزيت‌ها و زيانهاي شخصي‌شان را دارند.
در حال حاضر، هيچ كدام از اين مدلها روشهاي كافي را براي عوامل ويژه با روش معيني پيشرفت نداده اند. مدل‌هاي پيش‌بيني ترافيك پيچيده‌تر و شدني‌ترند. هر مدلي سعي مي‌كند تا تمام شرايط ممكني از حقيقت واقعي به منظور اينكه نتيجه پيش‌بيني بهتري را بدست آورد شامل شود. بنابراين، اين مدلها بي‌نهايت كامل‌ شدند زيرا اطلاعات بسيار زياد و غير منتظره‌اي براي اينكه بدنه آنها كامل شود، وجود دارد. به عبارت ديگر، تعداد زيادي از متغيرها بين اطلاعات ترافيكي وجود دارند که عكس‌العمل چنين اطلاعاتي بايد ساده شود. با اين وجود، اين مدلهاي آماري، ارتباط خيلي ساده‌اي را از بين تركيب‌كننده‌هايي از حجم عظيمي از روابط مي‌پذيرد که اندازه پيچيده‌گي و نادرستي چنين مدل‌هايي را افزايش مي‌دهد.
مدل پيشنهاد شده در اين بررسي، مشكل اصلي يك مدل آماري را برطرف مي‌كند. به علاوه، چنين مدل معرفي شده روي اطلاعات تاريخي قرار دارد، و لازمه وجود دانش مصرف‌كننده ضروري نيست. اخيراً، مدل تا معلوم عصبي براي سيستم‌هاي حمل‌ونقل بكار رفته، شامل كشف فرعي، دسترسي سيستم‌هاي كنترل، ارزيابي خطر پياده‌رو، كنترل عبور، كنترل مجزا وسيله، تعمير ماشين، مدل انتخاب ميانگين رفتاري، دادن سرازيري، انتقال وسيله و غيره مي‌باشد. نگرش‌هاي شبكه عصبي به طور عادي در زمينه پيش‌بيني ترافيكي در طول دهه گذشته استفاده شده بود. اخيراً، كاربردهاي ديگر براي پيش‌بيني جريان ترافيك پيشرفت كرده پيدا شده است.
مدل فازي Neuro شامل دو مدل مي‌شود: سد يك شبكه‌اي كه يك نگرش فازي زير را بكار مي‌برد تا اطلاعات داخلي را به درون خوشه‌ها طبقه‌بندي كند و يك شبكه كارشناس كه يك شبكه عصبي را بكار مي‌برد تا ارتباط داخلي و خارجي بين هر خوشه را طبقه‌بندي كند.
2- تكنولوژيها: عوامل ويژه، شامل برخوردها، ساختمان، آب و هوا و رويدادهاي ويژه‌اي هستند كه تأثيرات زيادي را روي سرعت مسافرت دارد. به طور شايع هيچ مدل كامل كه اين عوامل را درست تصور كند وجود ندارد. بنابراين، اين تحقيق برخوردهاي فردي و تركيبي از چندين عوامل ويژه‌اي روي پيش‌بيني ترافيك بررسي خواهد كرد. براي يك وسيله مشخص در وسط خيابان، عوامل را روي كاهش سرعت بررسي مي كندو يك الگوي راهنماي سرعت توليد خواهد كرد و تشخيص خواهد داد تا رابطه واقعي متغير سرعت را در تمام زمان نشان دهد. برخورد عوامل ويژه نشان مي‌دهد كه تطبيق براي الگوي راهنماي سرعت پيش‌گويي مشرق زمين را درست مي كند و يك انحنا سرعت پيش‌گويي شده را به وجود مي آورد. هدف از منطق نامعلوم , رسم يك فضاي دقيق ديگر است. آن يك وسيله بهتر براي وانمود كردن فكر بشر است. چندين منفعت از منطق فازي وجود دارد:
1- آسانست تا بفهماند.
2- اغماضي از اطلاعات نادرست دارد.
3- مي‌تواند مستقيماً از دانش بشري براي سيستمي راه حل بيايد.
- به راحتي مي‌تواند از طريق سيستم‌هاي ديگري كامل شود. به عنوان مثال: شبكه عصبي و سيستم كنترل
- قدرت قوي دارد وقتي كه بدون مشكل حل ‌شود.
- انعكاس زيادي دارد.
مرحله اول از منطق فازي معين كردن يك دستگاه فازي است. مرحله دوم از منطق فازي، تعيين كردن عمل عضويت است(MF) . عمل عضو دوستانه يك عمل يا يك عضويت كه هر نكته‌اي در فضاي داخلي كه بتواند براي ارزش فضاي خارجي نقشه بكشد تعيين مي‌شود. مرحله ديگري از منطق فازي تعيين كردن قوانين مي‌باشد.
ابزار منطق فازي 5 مرحله است:
1- داستان فازي: طراحي داخلي براي درجه عضويت، عمل عضويت را بكار مي‌برد.
2- اگر مقدمه شامل بيش‌تر از يك قسمتي شود، گرداننده فازي آن را برايشان بكار مي‌برد تا تعداد مفردي را بگيرد.
3- عمل عضويت از كاربرد محصول نتيجه مرحله دوم گرفته مي‌شود. روش ابزار در اين مرحله مي‌تواند عمل آميخته يا عمل مشكوكي باشد.
4- اگر سيستم بيشتر از يك قاعده همان نتيجه را داشته باشد، نتيجه از يك مرحله سوم، بايد جمع شود. روش جمع شده اصلاً توسط تمام عمل‌ اضافي يكديگر براي بدست آوردن عمل‌هاي عضويت تركيب شده‌اي نتيجه خواهد شد.
5- مشخص كردن فاز، نتيجه مرحله چهارم يك عمل عضويت براي رديف كاملي از بيرون است و آن مجبورست تا به طور نامعلوم مشخص شود تا يك تعداد مشخصي را بدست آورد.براي محاسبه فازمرکزي از روش عادي استفاده مي کند.
به طور كلي، يك شبكه عصبي مصنوعي (ANN) شامل چندين لايه عصبي مفرد اضافه است. اتصال بين لايه‌ها مشخص مي‌كند كه لايه‌ها يكديگر را متصل و ساختار اصلي شبكه عصبي را مشخص مي‌كنند. براي هر فاز مفرد،عملي مفرد دارد كه مشخص كند بازده توسط عملي تعيين مي‌شود. مشابه منطق فازي، ANN هدفمند شده است تا يك نقشه‌از داخل به خارج را پيدا كند و آن را براي تمام موقعيتها بكار ببرد تا نتيجه مطلوبي را بدست آورد. تعدادي از لايه‌ها و ضعف‌ها در هر لايه مي‌تواند توسط طراح تصميم‌گيري شود.از آن جايي كه هر دو، منطق فازي و شبكه عصبي مي‌توانند از كار بشر تقليد كنند،آنها را به منظور اينكه سودي از هر دو بگيرد تركيب شده است.
سه نگرش مختلف براي شبكه‌هاي عصبي تركيبي و سيستم‌هاي فازي وجود دارد:
1- شبكه‌هاي عصبي فازي هماهنگ: در اين مدل، سيستم فازي و شبكه عصبي براي وظيفه همزمان بكار رفته اند. سيستم فازي از هيچكدام از مرحله قبل و بعد شبكه عصبي بكار نرفته است. آنها محكم به هم مرتبط نيستند. شبكه عصبي هر پارامتري را در سيستم فازي تغيير نمي‌دهد.
2- شبكه‌هاي عصبي فازي تعاوني: دراين مدل يك شبكه عصبي فقط يك تعليم عصبي ساده بكار رفته است تا پارامترهاي مشخصي از دستگاهاي فازي، قوانين فازي يا وزن‌هايي از سيستم فازي را بياموزد. بعد از آموختن شبكه عصبي، ديگر وجود نخواهد داشت. نتيجه, يك سيستم فازي خالصي است.
3- شبكه‌هاي عصبي فازي نامتجانس: اين مدل جديداست كه مي‌تواند هر كدام را مثل يك شبكه عصبي يا مثل يك سيستم فازي تعبير كند.نگرش‌هاي فازي از اين نوع مي‌آيد. در اين بررسي يك مدل عصبي فازي نامتجانسي را بكار مي‌بريم.
3-اسلوب‌شناسي: در اين مقاله، تأثيرات عمل‌هاي ويژه را بررسي مي‌كند. سه تأثير مختلفي را شرح مي‌دهد:
1- تأثير يك عمل ويژه نمونه.
2- عمل متقابلي از عمل‌هاي ويژه مختلف
3-روش براي تأثيرات كاملي از تمام عوامل ويژه.

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!