Нейромережева модель для прогнозування часу на виконання транспортної задачі
DOI:
https://doi.org/10.18372/2310-5461.49.15289Ключові слова:
транспортна система, транспортна задача, транспортно-експедиційне підприємство, інтелектуальні технології, нейронні мережіАнотація
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
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
