Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://eadnurt.diit.edu.ua/jspui/handle/123456789/3389
Название: Можливості використання штучних нейронних мереж при прогнозуванні поїзної роботи залізничних напрямків
Другие названия: Возможности использования искусственных нейронных сетей при прогнозировании поездной работы железнодорожных направлений
The Possibility of Using Artificial Neural Networks When Predicting Train Work Train Directions
Авторы: Вернигора, Роман Віталійович
Вернигора, Роман Витальевич
Vernigora, Roman V.
Єльнікова, Лідія Олегівна
Ельникова, Лидия Олеговна
Yelnikova, Lidiya O.
Yelnikova, Lidiia O.
Ключевые слова: нейрон
нейронна мережа
архітектура
алгоритм навчання
керування процесами
планування
нейронная сеть
архитектура
алгоритм обучения
управление процессами
планирование
neuron
neural network
architecture
learning algorithm
management of processes
planning
КСВ
Дата публикации: 2014
Издательство: ДНУЗТ
Библиографическое описание: Вернигора, Р. В. Можливості використання штучних нейронних мереж при прогнозуванні поїзної роботи залізничних напрямків / Р. В. Вернигора, Л. О. Єльникова // Транспортні системи та технології перевезень : зб. наук. пр. Дніпропетр. нац. ун-ту залізн. трансп. ім. акад. В. Лазаряна. — Дніпропетровськ, 2014. — Вип. 7. — С. 15—19. УДК 656.212. — doi: 10.15802/tstt2014/35983.
Краткий осмотр (реферат): UK: Ефективне оперативне планування перевізного процесу повинне базуватись на точному прогнозі надходження поїздів, вагонів, локомотивів, вантажів тощо. Цей прогноз можна реалізувати за допомогою сучасного математичного методу – апарату штучних нейронних мереж. Нейронні мережі мають такі властивості як адаптивне навчання, самоорганізація, узагальнення, обчислення в реальному часі та стійкість до перебоїв. Основними сферами застосування нейронних мереж є апроксимація функцій, асоціативна пам'ять, стиснення даних, розпізнавання та класифікація, оптимізаційні задачі, керування складними процесами та прогнозування. Складовими елементами формального нейрону являються х1, х2, …, хn – вхідні сигнали мережі, кожний з яких характеризується своєю вагою w1, w2, …, wn відповідно. Суматор Σ підсумовує вхідні сигнали, функція активації f описує правило переходу нейрона при надходженні нових сигналів. За архітектурою зв'язків нейромережі можуть бути згруповані в два класи: мережі прямого поширення, в яких графи не мають петель, і рекурентні мережі, або мережі зі зворотними зв'язками. Під навчанням нейромережі мається на увазі налаштування архітектури мережі і ваг зв'язків для ефективного виконання завдання. Методи навчання можна розділити на дві групи: з учителем та без учителя. Нейромережі можна використати для оперативного прогнозу моментів прибуття поїздів на технічні станції на основі відомих параметрів відправлення поїздів: інформації про час відправлення з сусідньої технічної станції, масу поїзда та даних про сезонну та тижневу нерівномірність. При розробці нейромережі для вирішення певної задачі слід розглянути декілька варіантів, що відрізняються, наприклад, кількістю нейронів у шарах, кількістю прихованих шарів тощо. Основними показниками, за якими можна виконати порівняння обраних архітектур нейромереж, можуть бути такі параметри як мінімальна похибка, а також високий коефіцієнт кореляції між фактичними та розрахованими даними. Таким чином, штучні нейронні мережі можуть бути широко використані при розробці систем оперативного керування рухом поїздів, оскільки дозволяють отримати точний прогноз з врахуванням багатьох факторів та є відносно простими для розробки.
RU: Эффективное оперативное планирование перевозочного процесса должно базироваться на точном прогнозе поступления поездов, вагонов, локомотивов, грузов и т.д. Этот прогноз можно реализовать с помощью современного математического метода – аппарата искусственных нейронных сетей. Нейронные сети обладают такими свойствами как адаптивное обучение, самоорганизация, обобщение, вычисления в реальном времени и устойчивость к перебоям. Основными сферами применения нейронных сетей являются аппроксимация функций, ассоциативная память, сжатие данных, распознавания и классификация, оптимизационные задачи, управление сложными процессами и прогнозирование. Составляющими элементами формального нейрона являются х1, х2, …, хn - входные сигналы сети, каждый из которых характеризуется своим весом w1, w2, …, wn соответственно. Сумматор Σ суммирует входные сигналы, функция активации f описывает правило перехода нейрона при поступлении новых сигналов. По архитектуре связей нейросети могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями. Под обучением нейросети подразумевается настройка архитектуры сети и весов связей для эффективного выполнения задачи. Методы обучения можно разделить на две группы: с учителем и без учителя. Нейросети можно использовать для оперативного прогноза моментов прибытия поездов на технические станции на основе известных параметров отправления поездов: информации о времени отправления с соседней технической станции, массе поезда, данных о сезонной и недельной неравномерностях. При разработке нейросети для решения определенной задачи следует рассмотреть несколько вариантов, отличающихся, например, количеством нейронов в слоях, количеством скрытых слоев и тому подобное. Основными показателями, по которым можно выполнить сравнения выбранных архитектур нейросетей, могут быть такие параметры как минимальная погрешность, а также высокий коэффициент корреляции между фактическими и расчетными данными. Таким образом, искусственные нейронные сети могут быть широко использованы при разработке систем оперативного управления движением поездов, поскольку позволяют получить точный прогноз с учетом многих факторов и является относительно простыми для разработки.
EN: Effective operational planning of the transportation process should be based on accurate forecasts of revenue trains, wagons, locomotives, freight, etc. This prediction can be realized with the help of modern mathematical method – apparatus of artificial neural networks. Neural networks have such properties as adaptive learning, self-organizing, summarizing, calculating in real time and resistance to disruption. The main applications of neural networks are functions approximation, associative memory, data compression, pattern recognition and classification, optimization problems, the management of complex processes and forecasting. The constituent elements of a formal neuron are х1, х2, …, хn – the network inputs, each of which is characterized by its weight w1, w2, …, wn, respectively. The adder Σ summarizes the input signals, the activation function f describes the neuron transition rule when new signals are received. According to connections architecture the neural networks can be grouped into two classes: feedforward networks, which graphs have no loops, and recurrent networks or networks with feedback. By the neural network training is understood a setting of the network architecture and weights for the effective implementation of the task. The learning methods can be divided into two groups: with the teacher and without a teacher. Neural networks can be used for real-time forecasting of the train arrival at the technical stations on the basis of known departure parameters of the trains: information about the time of departure from the neighboring technical station, the train weight, the data on seasonal and weekly uneven. While designing the neural network to solve a particular problem should be considered several variants differing in, for example, the number of neurons in the layers, the number of hidden layers, etc. The main indicators, by which can be made a comparison of the selected architectures of neural networks can be such parameters as the minimum error, as well as a high correlation coefficient between actual and calculated data. Thus, the artificial neural networks can be widely used in the design of operational traffic control systems since allows to receive an accurate prediction based on many factors and is relatively simple to design.
Описание: Р. Вернигора: ORCID 0000-0001-7618-4617, Л. Єльникова: ORCID 0000-0002-7657-2879
URI (Унифицированный идентификатор ресурса): http://tstt.diit.edu.ua/article/view/35983/pdf_3
http://eadnurt.diit.edu.ua/jspui/handle/123456789/3389
ISSN: 2222-419Х (Print)
2313-8688 (Online)
Другие идентификаторы: doi: 10.15802/tstt2014/35983
Располагается в коллекциях:Статті КСВ
Випуск 07 (ТСТП)

Файлы этого ресурса:
Файл Описание РазмерФормат 
pdf_3.pdf287,06 kBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.