Tải bản đầy đủ
phương tiện giao thông đường bộ

phương tiện giao thông đường bộ

Tải bản đầy đủ

62

Hình 3.5. Kiến trúc hệ mờ dự báo tăng trưởng phương tiện ô tô
Biến DSO và GDP được thiết kế 5 tập mờ có dạng hình chuông, biến OTO
được thiết kế với các giá trị tuyến tính linier.
Dữ liệu huấn luyện được sử dụng là 10 bản ghi ứng với các cột dân số, GDP, số
lượng ô tô của bảng thống kê tổng hợp, hình ảnh của dữ liệu được thể
hiện ở hình dưới

.

63

Hình 3.6. Dữ liệu huấn luyện cho hệ mờ nơ ron
Cấu trúc của mô hình được thể hiện ở hình dưới, cáu trúc này gồm 5 layer.

Hình 3.7. Kiến trúc hệ mờ nơ ron
Kết quả hồi tưởng sau khi huấn luyện của hệ thống thể hiện qua hình 3.7

Hình 3.8. Kết quả hồi tưởng dữ liệu mẫu của hệ thống

64

Mối quan hệ giữa dân số, GDP và số lượng ô tô thể hiện qua bề mặt của tập luật
được sinh ra bởi hệ thống.

Hình 3.9. Mối quan hệ giữa đầu vào và đầu ra.

Hình 3.10. Giao diện dự báo của hệ thống.

65

Tiếp theo chúng ta sẽ xây dựng hệ thống dự báo số lượng xe gắn máy, hệ thống
gồm 2 đầu vào và 01 đầu ra như hình vẽ, hệ mờ sử dụng kiểu Sugeno.

Hình 3.11. Kiến trúc hệ mờ dự báo tăng trưởng phương tiện xe máy.
Biến DSO và GDP được thiết kế 5 tập mờ có dạng hình chuông, biến OTO
được thiết kế với các giá trị tuyến tính linier.
Dữ liệu huấn luyện được sử dụng là 10 bản ghi ứng với các cột dân số, GDP, số
lượng xe máy của bảng thống kê tổng hợp, hình ảnh của dữ liệu được thể hiện ở hình
dưới.

66

Hình 3.12. Dữ liệu huấn luyện cho hệ mờ nơ ron
Cấu trúc của mô hình đư ợc thể hiện ở hình dư ới, cáu trúc này gồm 5 layer như
đã th ể hiện ở chương 2.

Hình 3.13. Kiến trúc hệ mờ nơ ron

67

Kết quả hồi tưởng sau huấn luyện của hệ thống thể hiện qua hình 3.13

Hình 3.14. Kết quả hồi tưởng dữ liệu mẫu của hệ thống
Mối quan hệ giữa dân số, GDP và số lượng xe máy thể hiện qua bề mặt của tập
luật được sinh ra bởi hệ thống.

Hình 3.15. Mối quan hệ giữa đầu vào và đầu ra

68

Hình 3.16. Giao diện dự báo của hệ thống
Một trong những công cụ đánh giá hệ thống là kiểm tra khả năng hồi tưởng của
tập mẫu, và hệ mờ - nơ ron như đã đề cập đã hồi tưởng được các mẫu đã huấn luyện
như hình 3.7 của hệ thống dự báo tăng trưởng ô tô và 3.13 của hệ thống dự báo tăng
trưởng xe máy.
Các kết quả trên cho thấy hệ mờ - nơ ron như thiết kế có thể đáp ứng được cho
các mô hình dự báo nói chung và dự báo tăng trưởng phương tiện cơ giới đường bộ
nói riêng.

69

KẾT LUẬN
Luận văn đã tập trung nghiên cứu các khái niệm chuyên sâu về tập mờ, logic
mờ và mạng nơ ron nhân tạo. Đặc biệt luận văn đã tập trung nghiên cứu thiết kế hệ mờ
nơ ron thích nghi, đây là một hệ mờ được tối ưu hóa nhằm giải quyết nhiều lớp bài
toán trong đó có bài toán xấp xỉ hàm và phân lớp và dự báo dữ liệu.
Luận văn đã đi nghiên c ứu mối quan hệ giữa dân số, GDP đầu người và mức độ
tăng trưởng phương tiện giao thông đường bộ làm cơ sở xây dựng hệ thống dự báo
mức độ tăng trưởng phương tiện giao thông đường bộ dựa trên các thông số đầu vào
như dân số và GDP. Công cụ đánh giá hệ thống là kiểm tra khả năng hồi tưởng của tập
mẫu, và hệ mờ - nơ ron như đã đề cập đã hồi tưởng được các mẫu đã huấn luyện như
hình 3.7 của hệ thống dự báo tăng trưởng ô tô và 3.13 của hệ thống dự báo tăng trưởng
xe máy.
Các kết quả trên cho thấy hệ mờ - nơ ron như thiết kế có thể đáp ứng được cho
các mô hình dự báo nói chung và dự báo tăng trưởng phương tiện cơ giới đường bộ
nói riêng
Việc xây dựng thành công hệ mờ hỗ trợ dự báo mức độ tăng trưởng phương tiện
giao thông sẽ gúp các nhà quản lý tính toán đư ợc số lượng phương tiện giao thông
trong trung hạn và ngắn hạn, từ đó hoạch định chính sách quản lý và phát triển kết cấu
hạ tầng giao thông. Công cụ đánh giá hệ thống là kiểm tra khả năng hồi tưởng của tập
mẫu, và hệ mờ - nơ ron như đã đ ề cập đã hồi tưởng được các mẫu đã hu ấn luyện như
của hệ thống dự báo tăng trưởng ô tô và của hệ thống dự báo tăng trưởng xe máy.
Các kết quả trên cho thấy hệ mờ - nơ ron như thiết kế có thể đáp ứng được cho
các mô hình dự báo nói chung và dự báo tăng trưởng phương tiện cơ giới đường bộ
nói riêng.

70

TÀI LIỆU THAM KHẢO
Tiếng Việt
[1]. Ngô Hán Chiêu, Trần Quý, Đặng Văn Hoàng Thông, “Ứng dụng Logic
mờ vào quá trình cập nhật vị trí thuê bao di động theo thời gian thích ứng”, hội
nghị khoa học lần thứ VI - Học viện công nghệ bưu chính viễn thông.
[2]Bùi Công Cường, Nguyễn Doãn Phước, Hệ mờ, mạng nơron và ứng dụng,
Nhà xuất bản khoa học kỹ thuật, 2006.
[3] Lại Khắc Lãi và Nguyễn Như Hiển, Hệ mờ và nơron trong kỹ thuật điều
khiển, Nhà xuất bản khoa học tự nhiên và công nghệ, 2007.
[4] Nguyễn Đình Thúc , Mạng nơ ron - Kỹ thuật lan truyền ngược, Nhà xuất
bản khoa học kỹ thuật, 2000.
Tiếng Anh
[5] Cheng Teng Lin, C. S. George Lee (1996), Neural Fuzzy Systems, Prentice –
Hall International, Inc.
[6] John E.Hanke & Dean W.Wichern, (2005), Business Forecasting, 8th
Edition, Chapter 9.
[7] F. Schwenker. H.A. Kesler, Günther Palm, Three learning phases for
radial-basis-function networks, Neural networks, Vol.14, 439-458, 2001.
[8] Freeman, James A., and Skapura, David M. (2011), Neural Networks
Algorithms, Applications, and Programming Techniques, Addison – Wesley, Reading,
MA.
[7] Ross T. J. (2004), Fuzzy logic with Engineering Applications, Second
E5ition, International Edition. Mc Graw-Hill, Inc.
[8] Satish Kumar (1999), Managing Uncertainty in the Real World - Part 1.
Fuzzy Sets, Resonance, Vol.4, No.2, pp.37 – 47.
[9] Satish Kumar (1999), Managing Uncertainty in the Real World - Part 2.
Fuzzy Systems, Resonance, Vol.4, No.4, pp.45 – 55.