WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Большие успехи в последнее время получены в области искусственных нейронных сетей. При поиске скрытых закономерностей в пространственно-координированных данных может быть использовано одно из основных свойств нейронных сетей – возможность аппроксимировать любую характеристику с заданной точностью. На качество обработки информации существенное влияние оказывает структура нейронной сети, подбор которой является нетривиальной задачей, вследствие чего перспективными являются механизмы самоорганизации нейронных сетей. Проведенный анализ показал необходимость комплексного рассмотрения проблемы построения аналитических систем, способных поддерживать принятие решений по эффективному управлению транспортной инфраструктурой урбанизированной территории, обеспечивать информационную поддержку управления пространственно-координированными объектами средствами самоорганизующихся нейронных сетей.

Вторая глава посвящена разработке методов и моделей совместного описания, обработки и анализа многослойной пространственно-координированной разнотипной информации о состоянии транспортной инфраструктуры урбанизированной территории.

Анализ транспортной инфраструктуры и деятельности организаций, оказывающих на нее непосредственное воздействие, позволил предложить схему использования пространственно-координированной и атрибутивной информации при информационной поддержке управления обеспечением безопасности и пропускной способности улично-дорожной сети (рис. 1).

Рис. 1. Схема использования пространственной и атрибутивной информации Транспортная инфраструктура рассматривается в онтологическом базисе, содержащем три элемента : - множество сущностей предметной области; - множество атрибутов сущностей; - множество отношений между сущностями.

Математическая модель транспортной инфраструктуры представляется в виде : – уличнодорожная сеть; – макромодель транспортного потока; – дорожные объекты. Улично-дорожная сеть – это совокупность трех множеств : участков, узлов и дуг, соответственно. Триада является базисом математической модели транспортной инфраструктуры, все остальные объекты так или иначе привязаны к этому базису. Участок улично-дорожной сети – полигональный участок на электронной карте в ГИС, представленный набором координатных пар, описываемый единым набором физических параметров. Геометрическая составляющая математической модели учаРис. 2. Совместное описание стка УДС представляется разнотипных геообъектов, где, а) улично-дорожная сеть ;

, - вершины полигона, б) дорожные знаки,, – координаты вершин полив) инциденты,, гона, - число участков УДС, - г) транспортный поток, число вершин полигона -го участка.

.

Узел является вершиной ориентированного графа, канализирующего транспортные потоки на УДС.

Узел всегда расположен на границе двух участков и обладает следующими имманентными свойствами: принадлежность к участкам, между которыми расположен узел, где,,, ; величина угла между участками. Дуга - это элемент ориентированного графа, задающий направление движения транспортного потока на участке.

В рамках макроскопического подхода транспортный поток,, движущийся по улично-дорожной сети - по дугам, характеризуется общей средней скоростью, плотностью потока и интенсивностью движения в определенный момент времени в заданном месте улично-дорожной сети.

В онтологии транспортной инфраструктуры выделены группы сущностей с тесными контекстно-зависимыми семантическими связями:

• для пространственно-временного анализа интенсивности выделена группа, включающая интенсивность ТП ;

I • для пространственного анализа интенсивности выделена группа, ~ включающая интенсивность ТП, дорожные объекты и улично-доI O ~ рожную сеть ;

• для пространственного анализа аварийности построена группа ~ ~ ~ сущностей, включающая инциденты, ТСОДД, ТП S и уличноOI OT ~ дорожную сеть.

Для каждой группы онтологий разработаны методы предварительной обработки данных, приводящие массив исходных данных в форму, оптимальную для решения поставленной задачи с использованием нейронных сетей.

Аналитические методы исследования пространственно-координированных объектов. Нахождение зависимостей между разнотипными параметрами объектов проводится с помощью аппарата нейронных сетей. В частности, аппроксимативный анализ проведен с помощью многослойного персептрона. Для решения каждой из поставленных задач определена оптимальная архитектура многослойного персептрона. Показана достаточность одного скрытого слоя и разработана методика нахождения оптимального числа нейронов в скрытом слое на основе комплексного использования внешних критериев и среднеквадратического отклонения значений зависимых параметров.

Процесс самоорганизации в нейронных сетях с эволюционирующей архитектурой является внешним по отношению к нейронной сети. Иной подход самоорганизации используется в нейронных сетях с активными нейронами, здесь алгоритм самоорганизации выполняется самими нейронами.

Метод, реализующий процесс построения дважды многорядной нейронной сети с активными нейронами, позволяет синтезировать нелинейную структуру многопараметрической регрессионной модели. Для синтеза модели, скрытой в зашумленных данных, используются внешние критерии, основанные на данных, не используемых при построении модели. В работе используются комбинация наиболее часто применяемых критериев регулярности и согласованности:

Nc N ~i - y )- yi )(yi (yi i=1 i=2 = min = min и, (1) c N Nc yi 2 yi i=1 i=yi yi где – ожидаемое значение; - значение, оцененное по модели, постро~i y енной на основе обучающей выборки; - значение, оцененное по модели, построенной на основе тестовой выборки; – число наблюдений тестового набора данных, – число наблюдений обучающей и тестовой выборок вместе. Комбинированный критерий позволяет добиться большей точности моделирования, исключить влияние шума и вычисляется:

, где - коэффициент, отражающий степень вклада каждого входящего критерия. Эмпирическим путем вычислены значения коэффициента для каждой из поставленных задач управления транспортной инфраструктурой. Для задачи пространственно-временного анализа интенсивности ТП критерий регулярности играет большую роль, коэффициент выбран на уровне. Для задач пространственного анализа интенсивности и аварийности коэффициент, поскольку согласованность в данном случае имеет не менее важную роль, чем регулярность.

Основным моментом алгоритма самоорганизации нейронной сети с активными нейронами является установка только лишь критерия оптимальности, а эффективные входы выбираются самими нейронами в процессе самоорганизации. Нейронная сеть с активными нейронами на основе метода группового учета аргументов имеет дважды многорядную структуру:

многорядные нейроны объединены в многорядную сеть. Дважды многорядная нейронная сеть является суперпозицией более мелких нейронных сетей, которые живут параллельно во время самоорганизации (рис. 4).

Только после полной организации остается одна нейронная сеть, тогда как другие погибают. Таким образом определяются доминантные и рецессивные характеристики входных данных.

Для решения задачи пространственно-временного анализа интенсивности ТП предлагается схема конечноразностного шаблона, соединяющей значения интенсивностей в момент времени со значением интенсивности в момент времени (рис. 3). Использование данной схемы позволило построить прогноз интенсивности на участке улично-дорожной сети в момент времени, основываясь на информации об интенсивности на этом Рис. 3. Пространственно-временной и соседних участках в моменты времеанализ интенсивности ТП ни,,, и т. д.

v1 v2 v3 v4 vv1 v2 v3 v4 vf w2=y2 w4=y4 w5=y5 w7=y7 w9=yy С Е Л Е К Ц И Я а) б) v1 v2 v3 v4 vv1 v2 v3 v4 vw2 w7 ww2 w4 w5 w7 wz4 zy2=z2 y3=z3 y4=z4 y7=z7 y8=zС Е Л Е К Ц И Я yy*=f(v) в) г) Рис. 4. Этапы процесса самоорганизации нейронной сети с активными нейронами: а) – начальное состояние нейронной сети, б), в) – процесс селекции в первом и втором слоях, г) – результат самоорганизации Разработка нейросетевых моделей анализа аварийности и интенсивности производилась с учетом инвариантности к номеру участка, для обесi печения возможности применить модель для любого типа перекрестка ~ улично-дорожной сети. В этой связи, разработан ряд рекомендаций по преобразованию и обобщению параметров объектов, взаимное расположение которых изменяется в зависимости от номера рассматриваемого участка. Это требует вычисления функции от параметров, которая варьируется в зависимости от типа параметров, объекта, которому они принадлежат, и расположении объекта в рассматриваемой модели. Например, обобщенное значение углов уклона и подъема участка УДС вычисляются как максиX X m m iC = max( ) мальное значение: iC = max ( ), ; а количество полос движения C C mM mM C en усредняется Nr,i = Nr, и группируется в зависимости от расположе pC nN C ния дуг на рассматриваемом участке улично-дорожной сети.

В диссертационной работе разработан подход определения степени влияния определенного дорожного знака на интенсивность транспортного потока и на аварийность на основе метода экспертных оценок. Для каждой дуги рассчитывается усредненный параметр, исходя из дислоцированных en n n на ней дорожных знаков: FSe = ki, где FSe,i {0, 1} - булевская переFS,i S N S iI n n менная, показывающая наличие ( ) или отсутствие ( ) -го типа FSe,i = 1 FSe,i = 0 i знака на дуге ; - коэффициент, показывающий степень влияния en ki [0, 1] i ~ S го типа дорожного знака на транспортный поток ; - множество всех S I S типов знаков; - количество дорожных знаков, ссылающихся на дугу.

N en В третьей главе рассматривается процесс синтеза информационных моделей управления пространственно-координированными объектами на основе теории паттернов. Каждый паттерн именует, абстрагирует и идентифицирует ключевые аспекты структуры общего решения, которые позволяют применить его для создания повторно используемой архитектуры.

В работе используется синергетический подход, базирующийся в теории управления на максимальном использовании естественных свойств объекта в процессе синтеза сложных систем, к классу которых относится ИТС, как система управления транспортной инфраструктурой. В контексте проектирования синергетический эффект достигается благодаря использованию архитектурных паттернов GRASP «Информационный эксперт», «Низкая связность» и «Высокое зацепление», как управляющих воздействий архитектурной организации. Разработана информационная модель «interface» нейросетевого управления проIАнализаторДанных +СоздатьОбъектАлгоритма() странственно-координированны+СоздатьОбъектМодели() УровеньАварийностиЭлУпр ми объектами посредством реаАнализаторДанных +НажатиеКнопки() лизации методов и алгоритмов, +СоздатьОбъектАлгоритма() приведенных во второй главе.

+СоздатьОбъектМодели() Корректно реализовать их в программной системе позволил ар«interface» ПолиномиальнаяМодель IМодель хитектурный паттерн «Модель +ПолучитьМатМодель() +ПолучитьМатМодель() +Упростить() +Упростить() +Вычислить() предметной области», опреде+Вычислить() ливший основные принципы «interface» MIAАлгоритм IАлгоритм проектирования уровня домена.

+ПостроитьМодель() +ПостроитьМодель() Разработанная архитектура Рис. 5. Паттерн «Создатель» уровня домена аналитического инструментария ИТС состоит из трех частей: модель транспортной инфраструктуры, модель интеллектуального анализа (рис. 5) и сервисный уровень. Определены связи между агрегатами моделей и разработаны варианты их использования, что позволяет многократно использовать их в других системах. Согласно дискретному случаю обобщенной теории паттернов У.

Гренандера подобные структуры носят название паттернов.

Разработаны интеграционные механизмы, позволяющие совместно использовать аналитический инструментарий во внешних системах. Логика интеграционного решения сосредоточена на определенном уровне системы, не содержит иной логики и по минимуму зависит, как от остальной части системы, так и от приложений, с которыми происходит интеграция.

Для интеграции используется архитектурный паттерн «Обмен сообщениями», налаживающий взаимодействие и обмен данными между несколькими приложениями.

В четвертой главе приводится процесс разработки программного обеспечения, реализующего методы и алгоритмы обработки разнотипной информации об объектах транспортной инфраструктуры урбанизированной территории на основе нейросетевых и геоинформационных технологий.

Опытная эксплуатация показала адекватность разработанных в диссертации информационных моделей, а также предложенных методов и алгоритмов. Разработанный аналитический инструментарий обладает функциями редактирования и анализа пространственнокоординированных объекРис. 6. Аналитический инструментарий ИТС тов и содержит средства автоматизации проведения вычислительного эксперимента на моделях.

Данный функционал позволяет решить задачи автоматизированного анализа состояния объектов транспортной инфраструктуры. На рисунке 6 изображен пользовательский интерфейс аналитического инструментария для решения задачи пространственного анализа аварийности.

Методология исследования пространственно-координированных объектов опирается на комплексное использование разработанных инструментальных средств, позволяющих осуществлять ввод исходных данных, предварительную обработку и исследование пространственно-координированных объектов, сравнение результатов анализа и применение построенных в ходе исследования моделей. В разработанном программном обеспечении возможны управляющие воздействия в виде:

• изменения дислокации и состояния ТСОДД;

• изменение атрибутивных характеристик объектов УДС.

Варьирование данных параметров с последующим расчетом аварийности или интенсивности ТП позволяет быстро и эффективно находить оптимальное управляющее воздействие на транспортную инфраструктуру.

При помощи аналитического инструментария сравнивалось качество моделей, построенных с помощью разных нейронных сетей. В таблице представлены результаты проверки моделей при решении задачи пространственного анализа интенсивности и аварийности. Внешние критерии регулярности и согласованности (1) всех построенных моделей меньше единицы, что говорит о соответствии моделей этим критериям. При этом модель, построенная с помощью нейронной сети с активными нейронами, показывает наилучший результат. Все модели удовлетворяют критерию Фишера на уровне значимости = 0.05 (F0.05; 7; 20 =2.51). В таблицах используются сокращения: МП – многослойный персептрон; СНС – самоорганизующаяся нейронная сеть; АН – нейронная сеть с активными нейронами.

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»