Головна » Статті » Конференція_2016_12_8-9 » Секція_4_Технічні науки

ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ ДВИЖЕНИЯ АВТОТРАНСПОРТА ИСПОЛЬЗУЯ НЕЙРОННЫЕ СЕТИ НА ПРИМЕРЕ Г.ИЖЕВСК

Исаков Виталий

д.т.н., профессор

Корепанова Надежда

аспирант

ФГБОУ ВО ИжГТУ имени М.Т.Калашникова

г. Ижевск, Россия

 

ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ ДВИЖЕНИЯ АВТОТРАНСПОРТА ИСПОЛЬЗУЯ НЕЙРОННЫЕ СЕТИ НА ПРИМЕРЕ Г.ИЖЕВСК

 

Планирование пропускной способности к количеству автотранспорта является одной из основных задач, позволяющих обеспечить поддержание сбалансированности на дорожной сети.

Нейронные сети позволяют решать проблемы в разных областях, в том числе и в автомобильной промышленности: управление впрыскиванием и воспламенением топлива: управление соотношением воздуха и горючего, регулировкой частоты вращения вала в двигателях автомобиля в режиме холостого хода, управления амортизаторами, управление трансмиссией, управление скоростью, управление движением, управление задним ходом и кузовом самосвала [1].

Для обучения нейронной сети необходимо прежде всего сформировать обучающую выборку. Известно, что чем больше обучающая выборка, тем точнее модель. Ошибка функционирования сети вычисляется следующим образом [2]:

                (1)

Составим нейронную сеть прямого распространения с 1 входным,1 скрытым и 1выодным слоем, содержащий единственный1 линейный нейрон, связанный со всеми узлами скрытого слоя. Если рассматривать матричную форму для системы линейных уравнений для неизвестных весов коэффициентов, то можно рассмотреть в таком виде[3]:

Y=X*W                                      (2)

Вычислим присоединенную матрицу [4] X* и вектор весов W определяется формулой (3):

W=X-1*Y=1/∆X*X**Y  (3)

Процесс обучения [5] представляется в следующей итерационной форме для нашего случая (4):

   (4)

где прогнозируемая интенсивность вычисляется [6]

Iпрог= Iпред+(Iпред- Iпред30мин)*W1+( Iпред- Iпред24часа)*W2+( Iпред- Iпред7дней)*W3    (5)

где Iпрог –выходной сигнал сети, прогнозное значение I движения ед/ч.

- весовые коэффициенты выхода сети; J=1,2..n, количество нейронов в скрытом слое сети; Iпред- за сутки предшествующие прогнозируемым; Iпред30мин-значение I за 30 мин.до предшествующих суток; Iпред24часа-значение и I за 2 суток до предшествующих; Iпред7дней- значение I неделю назад в аналогичные сутки.

Измерения проходили на ул. Кирова c пересечением 50 лет Пионерии. Данные в табл.1.

Таблица 1

Данные по интенсивности 2016 год октябрь.

Дата замера

Iпред

Iпред30мин

Iпред24часа

Iпред7дней

Iфакт

12.10.16(Ср.)

1,23

1,2

1,28

1,32

1,3

13.10.16(Чт.)

1,26

1,23

1,27

1,3

1,28

14.10.16(Пт.)

1,29

1,2

1,3

1,3

1,32

 

 

Подставляя данные из таблицы 1 в уравнение (5), получаем X. Транспортные потоки подсчитывались 3 раза в день п о15 минут, в утренние часы с 8-9 утра, в полдень с 11-14 дня и вечернее время с 17-19 часов. (часы писк). Вычисляем определитель матрицы ∆X, получаем ∆X= 0,00228. Разница между фактическими значениями интенсивности и интенсивность за предыдущие сутки вычисляется по формуле:

Y= Iфакт- Iпред            (5)

Вычисляем обратную матрицу, в соответствии с правилами линейной алгебры. Вычисляем присоединенную матрицу, в соответствии с (2,3). Вычисляем интенсивность движения для 6,20,27 октября. Согласно полученным значениям вычисляем Iпрог (4).

Таблица 2

Погрешности вычисления для прогнозируемого периода

Дата прогноза

Iпрог

Iфакт

Погрешность

6.10.16

1,23

1,3

2,37

20.10.16

1,26

1,28

1,62

27.10.16

1,29

1,32

0,79

 

 

Относительная ошибка прогноза [6]

E=    (6)

Погрешность прогнозирования на 6, 20 и 27 октября не превышает 5%. Высокая точность прогноза определяется процентом не больше 5. До 10% прогноз считается допустимым. Т.е. Точность прогноза тем выше, чем ниже величина ошибки, позволяющая сравнивать прогнозные и фактические ошибки значения исследуемой величины.

 

Литература

  1. Сопоставление задач и примеров использования нейронных сетей . [Электронный ресурс]. URL:  http://neuronus.com/nn/38-theory/245-sopostavlenie-zadach-i-primerov-ispolzovaniya-nejronnykh-setej.html (дата обращения: 10.10.2016).
  2. Куссуль Н.Н., Шелестов А.Ю., Скакун С.В., Кравченко А.Н Интеллектуальные вычисления в задачах обработки данных наблюдения Земли — К.: “Наукова думка”, 2007. - 196 с.
  3. Хайкин С. Нейронные сети: полный курс, 2-е издание. Пер. с англ. – М.: Издательский дом «Вильямс», 2006. – 1104 с.
  4. Уоссермен Ф. Нейрокомпьютерная техника: тория и практика. М.Мир- 1992.
  5. Михеев С.В., Михайлов Д.А., Осьмушин А.А. Корпоративная информационная система прогнозирования интенсивности транспортных потоков с использованием нейронных сетей, Самара, 2014.
  6. Точность прогнозирования. [Электронный ресурс]. URL: http://i.kpi.ua/podladchikov/-menu=saep-15-.htm (дата обращения: 10.10.2016).
Категорія: Секція_4_Технічні науки | Додав: Admin (07.12.2016)
Переглядів: 190
Всього коментарів: 0