Modelowanie systemu prognozowania natężenia ruchu z zastosowaniem rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia

• Autorzy: Jastriebow A. , Poczęta K.

Warianty tytułu

EN

Modeling of decision support system for traffic forecasting using fuzzy cognitive map and multi-step learning algorithms

• Języki publikacji: PL

Abstrakty

PL

Rozmyta mapa kognitywna (ang. fuzzy cognitive map FCM) stanowi efektywne narzędzie modelowania dynamicznych systemów wspomagania decyzyjnego. Kluczowym zagadnieniem związanym z FCM jest możliwość uczenia macierzy relacji na podstawie rzeczywistych danych. Niniejsza praca prezentuje zastosowanie rozmytej mapy kognitywnej oraz wielokrokowych algorytmów uczenia w modelowaniu systemu prognozowania natężenia ruchu. Opisano FCM oraz wielokrokowe algorytmy uczenia nadzorowanego opartego na metodzie gradientowej. Przedstawiono wybrane wyniki analizy symulacyjnej opracowanego modelowania kognitywnego na przykładzie systemu prognozowania natężenia ruchu. Uczenie oraz testowanie FCM przeprowadzono z zastosowaniem rzeczywistych znormalizowanych danych. Dokonano analizy porównawczej wielokrokowej metody gradientowej z jednokrokową, pod kątem wpływu na działanie modelowanego systemu. Uzyskane wyniki pokazują dostateczną efektywność zastosowania rozmytej mapy kognitywnej i wielokrokowych algorytmów uczenia w prognozowaniu natężenia ruchu.

EN

Fuzzy cognitive map (FCM) is an effective tool for modeling of dynamic decision support systems. The crucial issue connected with the FCM is the ability to learn the relations matrix based on real data. This paper presents the use of fuzzy cognitive map and multi-step learning algorithms in modeling of decision support system for traffic forecasting. FCM and multi-step supervised learning algorithms based on gradient method are described. Selected results of simulation analysis of the cognitive modeling on the example of traffic forecasting are shown. FCM learning and testing were performed with the use of real normalized data. Comparative analysis of multi-step gradient method to one-step algorithm, from the point of view of the influence on the modeled system was done. The results show the sufficient effectiveness of the use of fuzzy cognitive map and multi-step learning algorithms in traffic forecasting.

Słowa kluczowe

PL

natężenie ruchu; wspomaganie decyzyjne; rozmyta mapa kognitywna; FCM; wielokrokowa metoda gradientowa

EN

traffic flow; support decision-making; FCM; fuzzy cognitive map; multi-step gradient method

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 2590--2597
• Opis fizyczny: Bibliogr. 27 poz., rys., tab., wykr., pełen tekst na CD

Twórcy

autor

Jastriebow A.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki; 25-314 Kielce; al. Tysiąclecia Państwa Polskiego 7

autor

Poczęta K.

• Politechnika Świętokrzyska, Wydział Elektrotechniki, Automatyki i Informatyki; 25-314 Kielce; al. Tysiąclecia Państwa Polskiego 7

Bibliografia

• 1. Amer M., Jetter A.J., Daim T.U.: Scenario planning for the national wind energy sector through Fuzzy Cognitive Maps. Proceedings of PICMET’13, 2012, pp. 2153 – 2162.
• 2. Chong A., Wong K.: On the Fuzzy Cognitive Map Attractor Distance. In: IEEE Congress on Evolutionary Computation, CEC, 2007.
• 3. Fanaee-T H., Gama J.: Event labeling combining ensemble detectors and background knowledge. Progress in Artificial Intelligence, Springer Berlin Heidelberg, 2013, pp. 1-15.
• 4. Jastriebow A., Grzywaczewski M., Gad S.: Analysis of a certain class of discrete multidimensional system of extremal control. SAMS, 1996, vol. 24, pp. 121-133.
• 5. Jastriebow A., Piotrowska K. (Poczęta K.): Modelowanie ekspertowych systemów logistycznych opartych na relacyjnych mapach kognitywnych. Logistyka 2012, nr 3, str.: 871-878.
• 6. Jastriebow A., Piotrowska K. (Poczęta K.): Simulation analysis of multistep algorithms of relational cognitive maps learning. In: Jastriebow A., Kuźmińska-Sołśnia B., Raczyńska M. (eds.) Computer Technologies in Science, Technology and Education. Institute for Sustainable Technologies - National Research Institute, Radom, 2012, pp. 126-137.
• 7. Jastriebow A., Piotrowska K. (Poczęta K.): Synthesis and Analysis of Multi-step Learning Algorithms for Fuzzy Cognitive Maps. In. Papageorgiou E. I.: Fuzzy Cognitive maps for Applied Sciences and Engineering – From fundamentals to extensions and learning algorithms. Intelligent Systems Reference Library, vol. 54, Springer, 2014, pp. 133-144.
• 8. Jastriebow A., Słoń G.: Logistyczne zastosowania modelu rozmytej relacyjnej mapy kognitywnej. Logistyka 2012, nr 3, str.: 879-886.
• 9. Kannappan A., Papageorgiou, E. I.: A new classification scheme using artificial immune systems learning for fuzzy cognitive mapping. Fuzzy Systems (FUZZ), IEEE International Conference on, 2013, pp. 1-8.
• 10. Kannappan A., Tamilarasi A., Papageorgiou E. I.: Analyzing the performance of fuzzy cognitive maps with non-linear hebbian learning algorithm in predicting autistic disorder. Expert Systems with Applications 38, 2011, pp. 1282-1292
• 11.Kosko B.: Fuzzy cognitive maps. Int. J. Man-Machine Studies, 1986, vol. 24, pp. 65-75.
• 12. Papageorgiou E. I.: A new methodology for decisions in medical informatics using fuzzy cognitive maps based on fuzzy rule-extraction techniques, Appl. Soft Comput.11, 2011, pp. 500-513.
• 13. Papageorgiou E. I.: Fuzzy cognitive map software tool for treatment management of uncomplicated urinary tract infection. Computer Methods and Programs in Biomedicine 105, 2012, pp. 233-245.
• 14. Papageorgiou E. I., Froelich W.: Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps. Neurocomputing 92, 2012, pp. 28-35.
• 15. Papageorgiou E. I., Parsopoulos K. E., Stylios C. S., Groumpos P. P., Vrahtis M. N.: Fuzzy Cognitive Maps Learning Using Particle Swarm Optimization. Journal of Intelligent Information Systems, 25:1, 2005, pp. 95-121.
• 16. Papageorgiou E., Spyridonos P. P., Stylios C. D., Ravazoula P., Groumpos P. P., Nikiforidis G. N.: Advanced soft computing diagnosis method for tumour grading. Artificial Intelligence in Medicine 36, 2006, pp. 59-70.
• 17. Papageorgiou E. I., Stylios C. D., Groumpos P. P.: Active Hebbian learning algorithm to train fuzzy cognitive maps. Int. J. Approx. Reason. 37 (3), pp. 219–247, 2004. Proceedings of the 28th Annual International Conference of the IEEE EMBS, USA, 2006, pp. 6117-6120.
• 18. Piotrowska K. (Poczęta K.): Inteligentny system ekspertowy oparty na mapach kognitywnych. STUDIA INFORMATICA, Zeszyty Naukowe Politechniki Śląskiej, seria INFORMATYKA, vol. 33, no 2A (105), 2012, str.: 605-616.
• 19. Salmeron J. L., Papageorgiou E. I.: A Fuzzy Grey Cognitive Maps based Decision Support System for radiotherapy treatment planning. Knowledge-Based Systems 30, 2012, pp. 151-160.
• 20. Słoń G.: The Use of Fuzzy Numbers in the Process of Designing Relational Fuzzy Cognitive Maps. Lecture Notes in Artificial Intelligence LNAI 7894/Part1, Springer-Verlag, 2013, pp. 376-387.
• 21. Song H. J., Miao C. Y., Shen Z. Q., Roel W., Maja D. H., Francky C.: Design of fuzzy cognitive maps using neural networks for predicting chaotic time series. Neural Networks 23, 2010, pp. 1264-1275.
• 22. Stach W., Kurgan L., Pedrycz W.: A divide and conquer method for learning large Fuzzy Cognitive Maps. Fuzzy Sets and Systems 161, 2010, pp. 2515-2532.
• 23. Stach W., Kurgan L., Pedrycz W.: Numerical and Linguistic Prediction of Time Series With the Use of Fuzzy Cognitive Maps. IEEE Transactions on Fuzzy Systems 16, Issue:1, 2008, pp. 61-72.
• 24. Stach W., Kurgan L., Pedrycz W., Reformat M.: Genetic learning of fuzzy cognitive maps, Fuzzy Sets and Systems 153 (3), 2005, pp. 371-401.
• 25.Xiao Z., Chen W., Li L.: An integrated FCM and fuzzy soft set for supplier selection problem based on risk evaluation. Applied Mathematical Modelling 36, 2012, pp. 1444-1454.
• 26.Yesil E., Ozturk C., Dodurka M.F., Sahin A.: Control Engineering Education Critical Success Factors Modeling via Fuzzy Cognitive Maps, 12th Information Technology Based Higher Education and Training (ITHET 2013), Antalya, Turkey, 2013.
• 27. Zhang J. Y., Liu Z. Q., Zhou S.: Quotient FCMs - A Decomposition Theory for Fuzzy Cognitive Maps. IEEE Transactions on Fuzzy Systems, vol. 11, no. 5, 2003, pp. 593-604.