ПРИМЕНЕНИЕ DATA MINING ДЛЯ ОПТИМИЗАЦИИ ТРАНСПОРТНОГО ОБСЛУЖИВАНИЯ В КРУПНОМ ГОРОДЕ Суворов С.В.,Казаков О.Л.,Царькова Н.И.

Московский политехнический университет


Номер: 12-1
Год: 2017
Страницы: 28-30
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

транспортное обслуживание, извлечение знаний, Data Mining, метазнания, transport service, knowledge extraction, Data Mining, metaknowledge

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

Рассматривается проблема транспортного обслуживания и ее возможное решение с помощью применения Data Mining. Ставится задача извлечения знаний и анализируются подходы к ее решению.

Текст научной статьи

Введение Транспортное обслуживание служит для обеспечения благоприятных условий жизнедеятельности населения города [1, 2]. При этом решаются задачи транспортной планировки города, включающие повышение доступности транспортных услуг для всех групп населения, установление приоритета общественного пассажирского транспорта и многоместных автомобилей, регламентация паркования. В настоящее время этим задачам уделяется большое внимание. Дело в том, что постоянный рост численности личного автотранспорта, а также увеличение пассажиропотока на общественном транспорте осложняют движение в черте города. Результативность проводимых научных исследований [3, 4, 5] пока недостаточно влияет на улучшение положения дел. Поэтому вполне актуально привлечение новых способов [6] поиска ранее неизвестных, нетривиальных, практически полезных знаний, необходимых для принятия оптимальных решений в этой сфере. Постановка задачи В настоящее время имеется колоссальный поток данных слежения за деятельностью транспортной системы города. Очевидны источники таких данных. Наличие даже ведомственных, нецентрализованных источников позволяет говорить о возможных хранилищах этих данных. Но вот настало время использовать методы Data Mining для переработки сырой информации с целью обнаружения знаний по управлению транспортной системой. Ставится задача проанализировать известные методы, позволяющие извлечь знания из хранилищ данных слежения за деятельностью транспортной системой города для оптимизации транспортного обслуживания. Способ решения поставленной задачи Методы Data Mining представляют собой комплексы сразу нескольких подходов, имеющихся в прикладной статистике, распознавании образов, искусственном интеллекте, теории баз данных и других направлениях [7]. Рассмотрим их применительно к поставленной задаче. Можно ожидать появление сформировавшихся предметно-ориентированных аналитических систем исследования транспортных систем, основанных на различных эмпирических моделях, которые используют простой статистический аппарат, но максимально учитывают сложившуюся в этой сфере специфику. Но нужно отметить, что классические методики корреляционного, регрессионного и факторного анализа, опирающиеся на статистическую парадигму усредненных оценок, имеют ограниченное применение в Data Mining. В нейронной сети знания фиксируются весами нескольких сотен межнейронных связей. Такие знания требуют для своего извлечения очень большого объема обучающей выборки, для которой известны и значения входных параметров, и правильные ответы на них. Но то, что эти знания не поддаются анализу и интерпретации как в "черном ящике", отличает их от Data Mining. Системы рассуждений на основе аналогичных случаев могут использовать всю информацию, накопленную в памяти, но при этом они вообще не создают правил (знаний), обобщающих предыдущий опыт. Это объясняется произволом при выборе меры "близости". Считается, что деревья решений являются наиболее близким подходом к решению задач Data Mining. К этому приводит то, что правила (знания) в используемой иерархии дерева представляют собой продукции "ЕСЛИ… ТО…". Обычно такие знания извлекаются из эксперта. Для Data Mining остается определить, как получить знания из сочетания "эксперт - база данных". Комплекс "эволюционное программирование - генетические алгоритмы" может позволить из поверхностных знаний, соответствующих фрагменту хранилища данных, путем эволюций - мутаций с помощью всех данных получить окончательную популяцию, соответствующую цели Data Mining. Однако для такого извлечения знаний остаются неопределенными ветви эволюций - мутаций. Менее разработанными теоретически являются алгоритмы ограниченного перебора и методы когнитивной графики, которые тоже базируются на извлечении знаний. Заключение Проведенный анализ способов извлечения знаний из хранилищ данных слежения за деятельностью транспортной системой города показал необходимость использования метазнаний для управления этим процессом. Плодотворные исследования в этом направлении позволят обеспечить оптимизацию транспортного обслуживания методами Data Mining.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.