Нейромережева модель для прогнозування часу на виконання транспортної задачі

Автор(и)

  • Олександр Сергійович Якушенко Національний авіаційний університет, Київ, Україна
  • Дмитро Олегович Шевчук Національний авіаційний університет, Київ, Україна
  • Денис Володимирович Мединський Національний авіаційний університет, Київ, Україна

DOI:

https://doi.org/10.18372/2310-5461.49.15289

Ключові слова:

транспортна система, транспортна задача, транспортно-експедиційне підприємство, інтелектуальні технології, нейронні мережі

Анотація

У статті розглянуто питання отримання нейромережевої моделі, призначеної для прогнозування часу на виконання транспортної задачі. Вихідною інформацією для вивчення моделі є дані перевізника про очікуваний середній час на виконання завдання та дати поїздки.  За допомогою методу Монте-Карло були отримані вихідні дані, за яких проведено навчання нейронної мережі. У дослідженні проведено аналіз отриманих результатів, які вказують на те, що використання розробленої нейромережевої моделі для прогнозування часу на виконання транспортної задачі дозволить суттєво знизити похибку прогнозування у порівнянні із оцінкою вихідних параметрів. Основним принципом логістичної функції активації є аргумент значення від діапазону, який в свою чергу може приймати будь-яке значення. Визначено та досліджено схему інформаційних потоків під час виконання одного циклу навчання нейронної мережі із використанням алгоритму Левенберга- Маркварта. Розроблений підхід має за мету бути прийнятим за основу методу оцінки впливу людського фактору на час виконання транспортної задачі

Біографії авторів

Олександр Сергійович Якушенко, Національний авіаційний університет, Київ, Україна

кандидат технічних наук, старший науковий співробітник

Дмитро Олегович Шевчук, Національний авіаційний університет, Київ, Україна

доктор технічних наук, професор, старший науковий співробітник

 

Денис Володимирович Мединський, Національний авіаційний університет, Київ, Україна

аспірант

Посилання

Zaynyllina E.S., & Каynov А. S. (2007) Мeetodika podbora koeficientov pry reshenyi optimizatsyonnoy zadachy s pomotcuy neyronnoy sety Hopfiilda. Маteryaly vserossyiskoy naychnoy konferencyi stydentov and aspirantov «Моlоdyi issledovately – regyionam», Fevral 3-6, 2007, Т.1, Vologda, 103-105.

Меdvedev V. S., & Potyomkin V. G. Neyronnyi sety: ucheb. posob./ V. S. Меdvedev, V. G. Potyomkin; Matlab 6. Моskwa: Izd-vо DYALOG-МYFY, 2002. - 496 с.

Osigwe E., Yi-Guang L., Sampath S., Gbanaibolou J., Dieni I. (2017). Integrated Gas Turbine System Diagnostics: Components and Sensor Faults Quantification using Artificial Neural Network. 23rd International Society of Air Breathing Engines (ISABE) Conference – ISABE 2017, March 1-3, 2017, Manchester, 32-43.

Loboda I. O. (2010). Gas Turbine Condition Monitoring and Diagnostics. Gas Turbines. Science and Transport Progress. 119–144. doi: http://doi.org/10.5772/10210

Loboda, I. O., Feldshteyn, Y. E, Ponomaryov, V. A (2012). Neural Networks for Gas Turbine Fault Identification: Multilayer Perceptron or Radial Basis Network. International Jet Turbo Jet-Engines, vol. 29, Issue 1. 37–48. doi: http://doi.org/10.1515/tjj-2012-0005

Nakatsuji, T., Shibuya, S. (2019). Neural Network Models to Traffic Flow Problems. Neural Networks in Transport Applications. Science and Transport Progress, 249-262. doi: http://doi.org/10. 43249780429445286-12

Hussein, D., Rose, G. (2019). The Impact of Data Quantity on The Performance of Neural Network Freeway Incident Detection Models. Neural Networks in Transport Applications, 311-340. doi: http://doi.org/10. 4324/9780429445286-15

Kim, J., Bukhari, W., Lee, M. (2018). Feature Analysis of Unsupervised Learning for Multi-task. Convolutional Neural Network Journal, 783-797. doi: http://doi.org/10. 1007/s11063-017-9724-1

Profillidis, V.A., Botzoris, G.N. (2020). Artificial Intelligence-Neural Network Methods. Modelling of Transport Demand, 353-382. doi: http://doi.org/10.1016/b978-0-12-811513-8.00008-x

Pachomova, V.M., Konnov, M.S. (2020). Research of Two Approaches to Detect Network Attacks Using Neural Network Technologies. Science and Transport Progress, 81-93. doi: http://doi.org/10.15802/stp2020/208233

Zhao, T., Wang, J., Zhang, J. (2017). Real-time multimodal transport path planning based on a pulse neural network model. International Journal Simulation and Process Modelling, 351-356. doi: http://doi.org/10.1504/ijspm.2017.085559

Liu, J. (2013). Neural Network Sliding Mode Control. Radial Basis Function Neural Network Control for Mechanical Systems, 113-132. doi: http://doi.org/10.1007/978-3-642-34816-7_5

Liu, Y.S., Holmes, P., Cohen, J.D. (2008). A Neural Network Model of the Eriksen Task: Reduction, Analysis, and Data Fitting. Neural Computation, 345-373. doi: http://doi.org/10.1162/neco.2007.08-06-312

Romanenko, A.N. (2018). Feature combination for the task of neural network acoustic model learning. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 350-352. doi: http://doi.org/10.17586/2226-1494-2018-18-2-350-352

##submission.downloads##

Номер

Розділ

Інформаційні технології, кібербезпека