facebook
twitter
vk
instagram
linkedin
google+
tumblr
akademia
youtube
skype
mendeley
Wiki
Global international scientific
analytical project
GISAP
GISAP logotip

РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ СЛУЖБЫ ТАКСИ

Автор Доклада: 
Мельников А. Ю., Бобух А. Н.
Награда: 
РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ СЛУЖБЫ ТАКСИ

УДК 519.8

РАЗРАБОТКА ИНФОРМАЦИОННОЙ СИСТЕМЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ СЛУЖБЫ ТАКСИ

Мельников Александр Юрьевич, к.т.н., доцент
Бобух Андрей Николаевич, студент
Донбасская государственная машиностроительная академия, г.Краматорск,Украина

Приводятся математическая (основанная на нейросетевом подходе) и информационная (на языке UML) модели системы для интеллектуального анализа данных современной службы такси. Описана компьютерная реализация моделей.
Ключевые слова: интеллектуальный анализ данных; искусственные нейронные сети; объектно-ориентированное проектирование; унифицированный язык моделирования.

Mathematical (based on the neural networks approach) and informative (in language UML) models of system for the data mining analysis of modern service a taxi are resulted. The computer realization of models is described.
Keywords: Data mining, artificial neural network, object-oriented design, unified modeling language.

Служба такси является неотъемлемой частью жизни сегодняшнего общества. Организация такой службы требует централизованного сбора и обработки значительного объема информации, необходимой для оперативной работы. Как правило, программное обеспечение, используемое в службах такси, занимается оперативным сбором и визуализацией информации, а ее анализ и принятие решений возложено на диспетчера. Таким образом, имеется необходимость повысить эффективность использования данных, выявить из стандартного их набора дополнительную информацию и тем самым облегчить процесс принятия решения.

Наиболее важными задачами представляются следующие: прогнозирование районов, из которых поступят вызовы в определённое время суток, и прогнозирование поведения конкретного работника службы такси в течение рабочей смены. Решение первой задачи позволит планировать стратегическое размещение машин по городу в зависимости от времени суток, и таким образом обеспечивать наискорейшее прибытие машины к клиенту, опережая конкурирующие фирмы. Решение второй задачи позволит оптимизировать действия работников, а также получить некое обобщенное представление об их поведении за день. Например, если наблюдается большое число посещений станции технического обслуживания или заправок разными работниками, особенно в те часы, когда поток клиентов наибольший – имеет смысл подумать о модернизации парка автомобилей, чтобы не упускать наиболее прибыльные часы работы.

Исходными данными для моделирования являются сведения из баз данных «Заказы» и «Персонал». Таблица «Заказы» содержит данные о вызовах, поступивших в службу такси, и о ходе их выполнения (дата и время поступления заказа, точный адрес и район вызова, данные об операторе, диспетчере и водителе, обслуживающим данный заказ и т.п.); таблица «Персонал» – о действиях, выполняемых сотрудниками службы за некоторый промежуток времени.

Была поставлена и решена задача проектирования программной системы, способной решать такие задачи интеллектуального анализа данных, как прогнозирование. В качестве математического аппарата выбран метод искусственных нейронных сетей. Для обучения сети используется метод обратного распространения ошибок [1].

Нейронная сеть обратного распространения состоит из нескольких слоев нейронов, причем каждый нейрон слоя i связан с каждым нейроном слоя i+1, т. е. речь идет о полносвязной нейронной сети. Пример полносвязной двухслойной нейронной сети приведен на рисунке 1.

Двухслойная нейронная сеть
Рис. 1 – Двухслойная нейронная сеть

Сеть, изображенная на рисунке, имеет n входов. На них поступают сигналы, идущие далее по синапсам на 3 нейрона, которые образуют первый слой. Выходные сигналы первого слоя передаются двум нейронам второго слоя. Последние, в свою очередь, выдают два выходных сигнала.

В общем случае задача обучения нейронной сети сводится к нахождению некой функциональной зависимости Y=F(X), где X – входной, а Y – выходной векторы. В общем случае такая задача, при ограниченном наборе входных данных, имеет бесконечное множество решений. Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки нейронной сети, которая находится по методу наименьших квадратов:

формула обучения нейронной сети      (1)

где yj – значение j-го выхода нейронной сети
dj – целевое значение j-го выхода
p – число нейронов в выходном слое
Расчетное значение Y определяется по формуле Y=f(S), где S – состояние нейрона, определяемое по формуле:

формула состояние нейрона  (2)

где
n – число входов нейрона
xi – значение i-го входа нейрона
wi – вес i-го синапса
Функция f называется активационной функцией. Мы используем сигмоидальную функцию:


  (3)

Обучение нейронной сети производится методом градиентного спуска, т. е. на каждой итерации изменение веса производится по формуле

формула обучение нейронной сети производится методом градиентного спуска   (5)

где η – параметр, определяющий скорость обучения.
Общий алгоритм обучения нейронной сети приведен в [1].
Проектирование информационной системы осуществлялось на унифицированном языке моделирования UML [2]. Возможности системы в виде диаграммы вариантов использования представлены на рис. 2, ее структура в виде диаграммы классов – на рис. 3.

Диаграмма вариантов использования
Рис. 2 – Диаграмма вариантов использования

Диаграмма классов
Рис. 3 – Диаграмма классов

Программная реализация спроектированной системы была осуществлена в среде программирования Borland-Delphi 7. Разработанное приложение на данный момент обеспечивает основные возможности, по окончании обучения нейронной сети предоставляется доступ только к сервису «Что-если».

Рассмотрим в качестве примера решение задачи прогнозирования поведения работников в течение смены. В качестве входных параметров в нейронной сети будет использоваться табельный номер работника, время суток и действие (приход, уход, перемещение). В качестве выходного поля выбираем место действия, т.е. куда отправится (или откуда вернется) данный работник в данное время. В сети будет один скрытый слой с четырьмя нейронами. В обучающее множество включим 80% исходных данных. Описанные настройки и результат работы приложения показаны на рисунках 4-7.

Borland-Delphi 7: выбор полей
Рис. 4 – Выбор полей

Borland-Delphi 7: настройка слоев сети

Рис. 5 – Настройка слоев сети

Borland-Delphi 7: настройка обучения сети
Рис. 6 – Настройка обучения сети

Borland-Delphi 7: сервис "что-если"

Рис. 7 – Сервис «Что-если»

В ходе работы была изучена информация, поступившая в некоторую службу такси в течение суток, построена математическая и информационная модели системы интеллектуального анализа данной информации, осуществлена их компьютерная реализация. Созданная система позволяет проанализировать поступающую информацию и извлечь из нее дополнительные сведения, которые можно применить для повышения эффективности работы службы такси.

Литература:
1. Ковалевский С.В., Гитис В.Б. Создание и применение нейронных сетей для решения прикладных задач: Учебно-методическое пособие. – Краматорск: ДГМА, 2005. – 80 с.
2. Мельников А.Ю. Объектно-ориентированный анализ и проектирование информационных систем: Учебное пособие. – Краматорск: ДГМА, 2006.– 184 с. 

8
Ваша оценка: Нет Средняя: 8 (1 голос)
Партнеры
 
 
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
Would you like to know all the news about GISAP project and be up to date of all news from GISAP? Register for free news right now and you will be receiving them on your e-mail right away as soon as they are published on GISAP portal.