Neuro-fuzzy predictions of construction site completion dates

• Autorzy: Anysz, H. , Ibadov, N.

Warianty tytułu

PL

Neuro-rozmyte prognozowanie terminów zakończenia przedsięwzięć budowlanych

• Języki publikacji: EN

Abstrakty

EN

The results from two types of multi-layer perceptron artificial neural networks (Matlab R2015a was used) were compared. The first one, with only one neuron in an output layer having the value of delay in completion date of building site. The output layer of the second artificial neural network is created by three neurons. These three values represent the same delay, but in a form of three values of membership functions to fuzzy sets. In order to evaluate the accuracy of predictions, the mean squared error was used. It was necessary to find the best method of defuzzyfication predicted delays to compare the results from these two, aforementioned artificial neural networks. The level of prediction accuracy measured by mean squared error was discussed, too.

PL

W artykule porównano wyniki prognoz uzyskane wielowarstwowymi sztucznymi sieciami neuronowymi (obliczenia wykonano pakietem Matlab R2015a). Pierwsza z nich miała jeden neuron w warstwie wyjściowej, któremu przypisano wartość opóźnienia w terminie zakończenia danej budowy. Warstwę wyjściową drugiej sieci stanowiły trzy neurony, zawierające wartości funkcji przynależności tego samego opóźnienia do trzech zborów rozmytych. Do porównania dokładności prognoz uzyskanych z dwóch ww. sztucznych sieci neuronowych zastosowano średni błąd kwadratowy. Wymagało to znalezienia najlepszej metody defuzzyfikacji prognoz otrzymanych w postaci liczb rozmytych. Dokładność prognoz została porównana i przedyskutowana.

Słowa kluczowe

PL

sztuczne sieci neuronowe MLP; zbiory rozmyte; opóźnienia terminu zakończenia budowy

EN

MLP artificial neural network; fuzzy sets; delays in completion dates

• Czasopismo: Technical Transactions
• Rocznik: 2017
• Tom: Vol. 6(114)
• Strony: 51--58
• Opis fizyczny: Bibliogr. 10 poz., wz., wykr., tab.

Twórcy

autor

Anysz, H.

• The Team of Production Engineering and Construction Management, Civil Engineering Department, Warsaw University of Technology,

autor

Ibadov, N.

• The Team of Production Engineering and Construction Management, Civil Engineering Department, Warsaw University of Technology

Bibliografia

• [1] Tadeusiewicz R., Nałęcz M., Biocybernetyka i inżynieria medyczna 2000. T. 6 Sieci Neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warsaw 2000.Zadeh L.A., Fuzzy Sets, Information and Control, 8, 1965, 338–353.
• [2] Zadeh L.A., Knowledge representation in Fuzzy Logic, IEEE Transaction on Knowledge and Data Engineering, Vol. 1, No. 1, March 1989.
• [3] Bartkiewicz J. (red. Zielińśki J.S.), Inteligentne systemy w zarządzaniu, PWN, Warszawa 2000.
• [4] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1996.
• [5] Statsoft Polska Sp. z o.o., Wprowadzenie do sieci neuronowych, Statsoft, Kraków 2001.
• [6] Ibadov N., Determination of the Risk Factors Impact on the Construction Projects Implementation Using Fuzzy Sets Theory, Acta Physica Polonica A, Vol. 130, No. 1, 2016, p. 107–111, DOI: 10.12693/APhysPolA.130.107.
• [7] Ibadov N., Fuzzy estimation of activities duration in construction projects, Archives of Civil Engineering, Vol. 61, Issue 2, 2015), 23–34. DOI: 10.1515/ace-2015-0012.
• [8] Anysz H. Porównanie trafności prognoz sztucznych sieci neuronowych MLP z jedną i dwoma warstwami ukrytymi na przykładzie prognoz wyników finansowych przedsiębiorstw budowlanych, Logistyka 3/2014, 87–94.
• [9] Anysz H., Zbiciak A., Ibadov N., The influence of input data standardization method on prediction accuracy of artificial neural networks, Procedia Engineering 153, 2016, 66–70, DOI: 10.1016/j.proeng.2016.08.081.
• [10] Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa 2012.

Uwagi

EN

Section "Civil Engineering"

PL

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017)

Identyfikatory

DOI

10.4467/2353737XCT.17.086.6562