РЕАЛІЗАЦІЯ НЕЙРО-НЕЧІТКОЇ МОДЕЛІ ДЛЯ ОЦІНЮВАННЯ ЕФЕКТИВНОСТІ ТРАНСПОРТНОЇ СИСТЕМИ
Анотація
Вступ. Надійні та ефективні транспортні системи забезпечують цільовий рівень якості життя. Критеріями оптимізації транспортної системи виступають індикатори роботи її елементів. Під час проєктування модулів інтелектуальних транспортних систем доцільно закладати математичні моделі, які можна адаптувати під мінливі умови функціонування зазначених систем. Аналіз останніх досліджень показав, що для оцінювання ефективності роботи транспортної системи доцільно застосовувати нейронні технології та системи нечіткого виведення. Мета. Дана стаття уточнює розроблені за результатами попередніх досліджень математичні моделі для оцінювання енергоефективності заданих конфігурацій транспортної системи шляхом застосування нейро-нечітких технологій. Результати. За результатами спостереження за рухом транспорту в заданих умовах сформовано три масиви статистичних даних: навчальна, тестова та контрольна вибірки для введення в систему ANFIS середовища Matlab. Ураховуючи кількість вхідних параметрів, генерування нейронної мережі виконано за методом субстрактивної кластеризації у neuroFuzzyDesigner GUI. Навчання мережі проведено за двома методами: методом зворотного поширення помилки та гібридним методом. Гібридний метод виявився більш продуктивним. Середньоквадратична помилка RMSE на навчальній вибірці становить 2,1153×10-8. Розроблена нейронна мережа дала змогу дослідити сумарний вплив параметрів ТС на енергоефективність ТЗ досліджуваних категорій та транспортних технологій. За результатами дослідження можна стверджувати, що параметри ТС більшою мірою чутливі до зміни своїх значень для пасажирського транспорту, ніж для вантажного. Висновки. Було досягнуто більш високу точність нелінійної моделі для оцінювання енергоефективності ТЗ порівняно з попередніми дослідженнями. Точність моделі суттєво зросла за рахунок поєднання систем нечіткого виведення з нейромережевими технологіями. Дану модель доцільно використовувати в підсистемі оцінювання ефективності роботи функціональних елементів локальних ТС у складі ІТС на регіональному та державному рівнях.
Завантаження
Посилання
2. Mateichyk V., Kostian N., Smieszek M., Mosciszewski J., Tarandushka L. Evaluating Vehicle Energy Efficiency in Urban Transport Systems Based on Fuzzy Logic Models. Energies. 2023. 16(2). 734. http://doi.org/10.3390/en16020734
3. Mateichyk V., Kostian N., Smieszek M., Gritsuk I., Verbovskyi V. Review of Methods for Evaluating the Energy Efficiency of Vehicles with Conventional and Alternative Power Plants. Energies. 2023. 16(17). 6331. http://doi.org/10.3390/en16176331
4. Zhou W., Wu N., Liu Q., Pan C., Chen L. Research on Ecological Driving Following Strategy Based on Deep Reinforcement Learning. Sustainability. 2023. 15. 13325. https://doi.org/10.3390/su151813325
5. Кашканова А.А. Застосування нечіткої нейронної мережі для визначення інформативності факторів впливу на реалізацію зчіпної здатності дороги і шини. Вісник машинобудування та транспорту. 2022. Вип. 15. № 1. С. 88–99. https://doi.org/10.31649/2413-4503-2022-15-1-88-99
6. Снитюк В.Є. Прогнозування. Моделі. Методи. Алгоритми. Київ : Маклаут, 2008. 364 с.
7. Пахомова В.М., Мандибура Є.С. Визначення оптимального маршруту в інформаційній мережі залізничного транспорту з використанням нейро-нечітких моделей. Наука та прогрес транспорту. 2019. № 5(83). С. 81–98. https://doi.org/10.15802/stp2019/184385
8. Zegai M.L., Bendjebbar M., Belhadri K., Lakhdari F. Adaptive Neuro-Fuzzy Speed Regulator Applied in Direct Torque Control for Induction Motor Drive Using Multilevel Inverter. International Review of Automatic Control (IREACO). 2016. 9(4). 182–191. https://doi.org/10.15866/ireaco.v9i4.9149
9. Пахомова В.М., Дмітрієв С.Ю. Розробка підсистеми оперативного прогнозування простоїв прибуваючих поїздів на основі ANFIS-системи. Інформаційно-керуючі системи на залізничному транспорті. 2013. № 4. С. 46–55. http://nbuv.gov.ua/UJRN/Ikszt_2013_4_10
10. Шевченко А.П. Моделі та методи прогнозування технічного стану засобів водного транспорту на основі м’яких обчислень : дис. ... доктора філософії : 271. Київ, 2020. 181 с.
