49054

Прогнозирование ДТП

Курсовая

Информатика, кибернетика и программирование

Основные модели и стратегии Перспективы метода компьютерного моделирования Основные модели и стратегии Искусственный интеллект – это научная отрасль занимающаяся исследованием и моделированием естественного интеллекта человека. Естественный интеллект человека является очень сложным объектом исследований и его моделирование осуществляется на разных уровнях абстрагирования...

Русский

2013-12-20

205 KB

10 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра информатики

КУРСОВАЯ РАБОТА

по дисциплине

«Интеллектуальные информационные системы»

Тема: «Прогнозирование ДТП»

                                                   

ИСПОЛНИТЕЛЬ: студент  гр. 1233

А. С. Шапиренко

НАУЧНЫЙ  РУКОВОДИТЕЛЬ:

проф. Л. Н. Ясницкий

Пермь 2007

Содержание

[1] Содержание

[2] Введение

[3] Глава 1. Искусственный интеллект

[4] 1.1 Основные модели и стратегии

[5] 1.2 Перспективы метода компьютерного моделирования

[6] Глава 2. Практическое применение нейронных сетей для прогнозирования ДТП

[7] 2.1 Постановка задачи

[8] Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 7-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя равно шести.

[9] 2.2 Полученные результаты

[10] Заключение

[11] Список использованной литературы:

Введение

    На сегодняшний день практически в любой предметной области можно применить нейросетевые технологии. Самое главное – это  правильно составить обучающую выборку, выбрать приемлемое число входов и можно приступать к обучению нейросимулятора.

Целью моей работы является попытка показать, можно ли использовать  нейросети и эффективно ли их применение при прогнозировании дорожно-транспортных происшествий. Такая задача может  найти себе применение в страховании.

Достижение поставленных целей предопределило постановку и решение следующих задач:

- обучить один из нейросимуляторов;

- проанализировать результаты работы и сделать соответствующие выводы;  

Предметом исследования является развитие применения нейросетей в прогнозировании дорожно-транспортных происшествий.

Данная тема является актуальной так как, количество дорожно-транспортных происшествий с каждым годом все увеличивается и применение в данной области методов искусственного интеллекта, могло бы помочь в решении этой проблемы, с помощью своих исследований я бы хотел показать, что и в данной сфере возможно применение нейросетевых технологий.

Глава 1. Искусственный интеллект

1.1 Основные модели и стратегии

    Искусственный интеллект – это научная отрасль, занимающаяся исследованием и моделированием естественного интеллекта человека. Естественный интеллект человека является очень сложным объектом исследований и его моделирование осуществляется на разных уровнях абстрагирования [2]. Можно выделить три таких уровня, которым соответствуют три основные стратегии искусственного интеллекта:

  •  технология экспертных систем;  
  •  нейросетевые и нейрокомпьютерные технологии;
  •  технологии эволюционного (проявляющегося) моделирования.

    Самому высокому уровню абстрагирования соответствует технология экспертных систем – систем, основанных на явных знаниях о предметной области. Согласно этой стратегии знания о предметной области извлекаются из специалистов-экспертов, или других информационных источников. Именно человек-эксперт, обладающий знаниями о предметной области, способен действовать на самом высоком уровне. Его знания формализуются и закачиваются в программный комплекс – экспертную систему, которая на основе этих знаний делает логически обоснованные полезные выводы, тем самым, моделируя интеллект человека-эксперта. Именно эту стратегию впервые применил в XIII в. испанский ученый Раймунд Луллий.  Именно с нее берет начало область науки, называемая искусственным интеллектом.      

    На самом нижнем уровне абстрагирования лежат нейрокомпьютерные и нейросетевые технологии. Согласно этой стратегии строится модель, учитывающая структуру мозга, состоящего из множества нейронов, соединенных нервными волокнами. Знания поступают в такую модель в ходе ее обучения на специально подобранных примерах, характеризующих предметную область. Так же как и в мозге, знания хранятся в неявной форме – кодируются в виде множества сил синаптических связей, имитирующих электропроводность межнейронных соединений. Основоположниками этой стратегии, появившейся в середине XX в., являются американские ученые В.Мак-Каллок, В.Питтс и Ф.Розенблатт.

    Исторически первой была модель искусственного интеллекта, основанного на явных знаниях, которая безраздельно господствовала, начиная с XIII в. и до середины XX в. Появление персептрона  в 1940-х гг. и первые его успехи, были встречены с надеждами и энтузиазмом, который, однако, продержался недолго, и к середине 1980-х гг. подавляющее большинство систем искусственного интеллекта представляли собой экспертные системы, ориентированные на конкретные предметные области. Однако победа высокоуровневой стратегии оказалась временной. Конец XX в. и начало XXI в. ознаменовались широкомасштабным наступление нейросетевых и нейрокомпьютерных технологий. Причем, имело место как применение этих технологий в новых предметных областях, так и вытеснение экспертных систем из тех областей, где они традиционно применялись ранее.

    Уже в течение полувека между высоко- и низкоуровневой стратегиями идет жесточайшая конкуренция. Вместе с тем многие специалисты отмечают наметившийся в последнее время процесс интеграции конкурирующих стратегий.

    Третья стратегия, появившаяся на свет в середине 1970-х гг. благодаря работам профессора Мичиганского университета Дж. Холланда, навеяна Дарвиновской теорией возникновения и эволюции жизни на Земле. Эволюционные модели начинают свою работу с создания целой популяции особей – кандидатов на решение проблемы. Отдельные особи популяции оцениваются по определенному критерию, позволяющему отобрать лучшие, которые затем видоизменяются, наследуя положительные свойства родителей и образуя новые поколения. Этот подход предполагает поиск источника интеллекта в самом процессе эволюции и взаимодействия особей. Знания в эволюционных моделях приобретаются в ходе конкурентной борьбы между особями.

    Подводя итог краткого обзора существующих стратегий искусственного интеллекта отметим, что на сегодняшний день безусловным лидером, как в области теоретических исследований, так и в части практических приложений, являются нейросетевые технологии. Попытки моделирования мозга на самом низком уровне абстрагирования – на уровне нейронной структуры, показывают себя как наиболее плодотворные технологии создания интеллектуальных систем.

1.2 Перспективы метода компьютерного моделирования

Развитие современной цивилизации свидетельствует о постоянном повышении роли компьютерного математического моделирования как в научных исследования для получения новых знаний [3], так и во многих областях практической деятельности человека. Традиционно компьютерные математические модели строятся на основе фундаментальных законов природы, зависимостей и закономерностей, которые представляются в виде алгебраических формул, алгебраических или дифференциальных уравнений, обычно решаемых с помощью компьютера численными методами. Именно таким способом ведутся многие исследования в физике, астрономии, экологии, науках о человеке, природе и обществе, выполняются долгосрочные прогнозы погоды, предсказываются землетрясения, цунами, стихийные бедствия, а также рассчитываются и проектируются самолеты, автомобили, ракеты, подводные лодки, здания и сооружения, промышленные и военные объекты.

Всегда считалось, что сам процесс открытия фундаментальных законов природы, общества, вселенной – это прерогатива исключительно человека. Всегда считалось, что построение математических моделей и их компьютерных реализаций – это высокоинтеллектуальная задача, требующая совместных усилий математиков, программистов и специалистов предметных областей, в которых выполняется моделирование. Однако и этот традиционный для человека вид его интеллектуальной деятельности, связанный с созданием самих математических моделей, в настоящее время активно перекладывается на компьютер. Компьютер теперь может сам открывать фундаментальные законы природы и общества, выявлять связи и закономерности предметных областей и закладывать их в математические компьютерные модели. Причем, во многих случаях компьютер с этим справляется лучше, чем сам человек. Например, компьютер может выявлять и учитывать в создаваемых им моделях новые законы, закономерности и внутренние связи предметной области, неизвестные ученым и специалистам. В результате модели, создаваемые компьютером, учитывают большее количество факторов, законов и закономерностей, влияющих на результат моделирования. Это, естественно, улучшает качество модели.

Конечно же здесь речь идет не об обычных фон-неймановских компьютерах и не об обычных методах составления компьютерных программ. Речь идет о низкоуровневой стратегии искусственного интеллекта. Такие интеллектуальные операции может выполнять только компьютер, построенный «по образу и подобию» человеческого мозга – нейрокомпьютер. Это может также быть нейронная сеть, имитирующая нейрокомпьютер на обычном компьютере.

Нейрокомпьютер, как и человеческий мозг, состоит из множества соединенных между собой элементарных ячеек – модельных нейронов, принцип действия которых во многом аналогичен принципу действия биологических нейронов, из которых состоит мозг. Как и в мозге, нейроны нейрокомпьютера соединены между собой множеством проводов, через которые происходит обмен электрическими сигналами. Как и биологические нейроны, нейроны нейрокомпьютера могут переходить в возбужденное состояние, вырабатывая и посылая электрические сигналы другим нейронам, причем переход в возбужденное состояние каждого нейрона тем вероятнее, чем большее количество сигналов он получил от других нейронов.

Согласно современным нейрофизиологическим представлениям вся информация, хранящаяся в мозге, закодирована в виде матрицы сил синаптических связей – --           множества величин электропроводности проводников, соединяющих биологические нейроны, причем эти величины, по мере жизнедеятельности мозга, постоянно меняются, чем обеспечивается накапливание и корректировка хранящейся в мозге информации. Этот механизм в нейрокомпьютере имитируется путем соответствующего изменения синаптических весовых коэффициентов, выполняющих роль электропроводности соединяющих нейроны проводников. Таким образом, как и в мозге, вся информация в нейрокомпьютере представляется и хранится в виде матрицы сил синаптических связей нейронов.

В отличие от обычного компьютера, нейрокомпьютер не программируется, а подобно человеку обучается. При этом происходит корректировка сил синаптических связей. Обучение проводится на обучающих примерах, содержащих информацию о моделируемой предметной области. Например, чтобы нейрокомпьютер «открыл» теорему Пифагора, надо нарисовать несколько (порядка сотни) различных прямоугольных треугольников, измерить длины их гипотенуз и катетов и передать эту информацию нейрокомпьютеру. Если измерения выполнены правильно, то можно не сомневаться, что нейрокомпьютер повторит подвиг знаменитого геометра древности.

Поступая аналогичным образом, собирая информацию о соответствующих предметных областях, можно заново открыть закон Архимеда, законы Ньютона, все фундаментальные законы физики, химии, биологии и всех других наук.

Таким образом, нейрокомпьютерные и нейросетевые технологии, по существу, открывают принципиально новый подход к самой методике построения компьютерных математических моделей. Появилась возможность строить математические модели, которые сами извлекают закономерности предметной области, позволяют их эффективно использовать для решения широкого круга практических задач исходя из одного только эмпирического опыта – выборки обучающих примеров, не задумываясь над законами физики, химии, биологии и т.д. Появился новый инструмент извлечения знаний из данных, инструмент, позволяющий выявлять ранее неизвестные и никогда не исследованные зависимости и закономерности и активно использовать их для решения конкретных практических задач.

Работы многих исследователей, а также наш собственный опыт убеждают в том, что нейрокомпьютерные технологии являются универсальным и весьма эффективным инструментом для построения компьютерных математических моделей самых разнообразных физических, технических, химических, экономических, социальных и другого рода объектов, процессов, явлений. Исследуя эти модели, мы можем решать широкий круг разнообразных практических задач. Представьте, что нам удалось построить математическую модель какого-то сложного технологического процесса, например, выплавки стали в индукционной печи или крекинга нефти в химическом реакторе, или производства электроэнергии на атомной электростанции. А теперь, исследуя математическую модель и изучая влияние входных параметров на выходные, можно решить задачу оптимизации моделируемого технологического процесса. Это значит, что можно подобрать оптимальное сочетание входных параметров, обеспечивающих максимально высокое качество выплавляемой стали. Это значит, что можно выбрать наиболее эффективный режим работы атомной электростанции.

Аналогично решаются задачи оптимизации в сфере бизнеса и экономики. В этом случае нейросетевая модель должна выдавать сведения об экономической эффективности предприятия, валового продукта, прибыли или рентабельности фирмы.

Если компьютерная модель является нестационарной, т.е. построена с учетом фактора времени, то ее можно использовать для решения задач прогнозирования. Это значит, что с помощью компьютерной модели можно узнать, какими будут технологические, экономические, социальные, политические и другие показатели моделируемого объекта в будущем и как на них можно повлиять, принимая те или иные меры сегодня.

Если компьютерная модель работает в реальном режиме времени, т.е. оперативно получает сведения о текущих изменениях параметров моделируемого объекта, если результаты математического моделирования могут быть переданы оператору, управляющему объектом, или могут быть непосредственно введены в приборы, управляющие выплавкой стали, получением электроэнергии, то такая компьютерная модель будет решать задачу управления моделируемым объектом или процессом.

Помимо перечисленных задач оптимизации, прогнозирования и управления, нейросеть может решать задачи распознавания и классификации образов, причем под образами понимаются зрительные изображения, символы, тексты, запахи, звуки, шумы.

Еще раз отметим, что при построении компьютерных моделей с помощью нейросетевых технологий не требуется знание и использование фундаментальных законов природы. Вместо этого нужно подготовить обучающие примеры, содержащие статистические данные о предметной области, ее свойствах и поведении. И если эта выборка оказывается достаточно показательной, то нейросеть сама извлекает закономерности, необходимые для формирования математической модели. В этом отношении методика построения нейросетевых моделей напоминает методику построения регрессионных моделей. Но, в отличие от регрессионных, нейросетевые технологии представляют собой значительно более мощный и универсальный математический аппарат. Кроме того, в его основе лежит не просто математический трюк, а глубокий физический, психологический и общефилософский смысл – идея создания интеллектуального устройства, не только функционально, но и структурно адекватного человеческому мозгу.

 

Глава 2. Практическое применение нейронных сетей для прогнозирования ДТП

2.1 Постановка задачи

“Прогнозирование дорожно-транспортных происшествий” - так называется задача, к которой я обратился. Сначала определим, что же является дорожно-транспортным происшествием.

Дорожно-транспортное происшествие - транспортная авария, возникшая в процессе дорожного движения с участием транспортного средства и повлекшая за собой гибель людей и/или причинение им тяжелых телесных повреждений, повреждения транспортных средств, дорог, сооружений, грузов или иной материальный ущерб [4].

С ростом автомобилей так же неуклонно растет количество аварий. Ездить становится не просто трудно, а очень трудно. К тому же низкая культура вождения сильно усугубляет и без того напряженную ситуацию. С этим необходимо бороться, в чем могут нам помочь нейросетевые технологии.

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. Поэтому рассмотрим применение нейросетевых технологий при прогнозировании дорожно-транспортных происшествий.

По моему мнению, следующие параметры наиболее существенно влияют на наличие, либо отсутствие дорожно-транспортных происшествий.

Параметры, описывающие предметную область, представлены в различных видах.  Поэтому, всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Рассмотрим параметр «пол». Под 1 будем подразумевать – мужской пол, а под 2 - женский.  Параметр «марка автомобиля»: 1 – отечественный автомобиль, 2 – иномарка.  Параметр «знак зодиака»: 1 – овен, 2 – телец, 3 – близнецы, 4 – рак, 5 – лев, 6 – дева, 7 – весы, 8 – скорпион, 9 – стрелец, 10 – козерог, 11 – водолей, 12 – рыбы. Параметр «частота вождения»: 1 – каждый день, 2 – через день, 3 – 1 раз в неделю, 4 – 1 раз в месяц, 5 – 1 раз в полгода.

Список параметров:

X1 - возраст;

X2 - стаж вождения;

X3 - пол; 

1 – мужской; 

2 – женский;

X4 - марка автомобиля;

1 – отечественный автомобиль;

2 – иномарка;

X5 - дата рождения;

X6 - знак зодиака;

1 – овен;

2 – телец;

3 – близнецы;

4 – рак;

5 – лев;

6 – дева;

7 – весы;

8 – скорпион;

9 – стрелец;

10 – козерог;

11 – водолей;

12 – рыбы;

X7 - частота вождения;

1 – каждый день; 

2 – через день; 

3 – 1 раз в неделю;

4 – 1 раз в месяц;

5 – 1 раз в полгода;

На выходе будем формировать результирующий вектор:

  1.  Y1 – количество дорожно-транспортных происшествий;

Ниже приведены данные обучающей и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Обучающая выборка

20

2

1

1

    11,03   

12

2

3

58

40

1

1

    20,11   

8

2

1

46

27

1

2

      3,10   

8

5

0

19

1

1

1

    25,04   

2

1

0

23

5

1

1

    19,12   

9

2

0

20

2

1

1

      5,03   

12

1

1

21

3

1

2

    18,11   

8

1

0

19

1

2

2

    13,08   

5

1

1

20

2

2

2

    11,07   

4

1

0

19

1

1

2

    25,02   

12

1

0

55

12

1

2

      2,08   

5

2

3

27

9

1

2

      2,03   

12

2

1

68

20

1

1

    11,04   

1

4

0

19

1

1

1

    11,05   

2

3

0

22

2

2

2

    28,12   

10

4

0

20

2

1

1

    22,02   

12

1

0

19

1

1

2

    16,06   

3

4

1

19

1

1

1

    29,07   

5

2

0

45

1

1

1

    26,11   

9

3

1

20

2

2

2

      5,12   

9

1

1

44

11

1

1

      7,09   

6

1

0

20

2

1

1

      7,06   

3

4

0

28

8

1

1

    28,06   

4

1

2

47

20

1

1

    11,02   

11

1

0

50

22

1

1

      2,11   

8

1

3

23

5

1

1

      5,05   

2

1

4

53

33

1

2

    23,05   

3

1

1

20

2

1

1

    10,10   

7

1

0

20

2

1

1

    24,11   

9

1

4

39

8

2

1

      2,09   

6

1

0

45

8

1

1

    15,01   

10

4

1

24

6

1

1

    24,12   

10

5

1

27

9

1

1

    21,02   

12

1

0

27

7

1

2

    19,05   

2

1

1

27

9

1

1

      7,06   

3

2

1

24

6

1

2

      9,12   

9

1

1

19

1

2

2

    27,08   

6

1

1

23

3

2

1

    18,01   

10

3

2

 

Тестируемая выборка

20

2

1

2

    14,03   

12

1

3

19

1

1

1

    25,09   

7

3

0

37

5

2

1

    21,09   

6

1

4

46

15

1

2

    23,02   

12

1

0

26

1

1

1

    15,12   

9

1

3

45

27

1

2

    19,09   

6

1

1

20

2

1

1

    10,10   

7

1

0

Для  решения поставленной  задачи будем использовать персептрон, основанный на нейронной сети  с 7-ю входами, с 1 выходным и с двумя скрытыми слоями. Число нейронов скрытого слоя равно шести.

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было [1]. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке - погрешностью обобщения, обозначаемой T. При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения сначала падает, а затем возрастает, в то время погрешность обобщения имеет синусойдный вид.

 

2.2 Полученные результаты

Анализируя полученные результаты можно сделать вывод, что персептрон выдал модельные значения  довольно близкие к практическим. Для того чтобы наглядно продемонстрировать это утверждение, на гистограмме 1  покажем соотношение между теоретическими и модельными значениями.

Гистограмма 1

Модельные значения не полностью совпадают с практическими, поэтому полученные результаты не всегда соответствуют ожиданиям. Для подтверждения работоспособности моделей на вход были поданы значения из тестируемой выборки.

Гистограмма 2

Как видно ошибка предсказания выше ошибки обучения, и результаты не всегда соответствуют ожиданиям.

Заключение

В итоге проделанной работы.

В первой части я охарактеризовал модели и стратегии искусственного интеллекта.

Во второй части я попытался показать, как с помощью персептрона, возможно      спрогнозировать количество дорожно-транспортных происшествий в которые может  попасть водитель. К сожалению, результаты, полученные мной, далеки от совершенства.

В результате я убедился что, несмотря на приличные погрешности, персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы из тестирующей выборки, мы получили адекватные результаты, хоть и не весьма соответствующие реальности. Я считаю, стоит продолжить исследования по данной теме, так как она является актуальной сейчас и в будущем.  Так же, весьма интересной в сфере страхования.  

Список использованной литературы:

Литература

 

  1.  Ясницкий Л.Н.Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005. – 176c.
  2.  Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс», 2003. – 864с.
  3.  Макаров В.Л. Получение нового знания методом компьютерного моделирования. – Искусственный интеллект: междисциплинарный подход. Под ред. Д.И.Дубровского и В.А.Лекторского. – М.: ИИнтеЛЛ, 2006.

Ссылки на ресурсы интернет

  1.  http://slovari.yandex.ru – Глоссарий.
  2.  http://www.artint.ru - Российский НИИ Искусственного интеллекта;


 

А также другие работы, которые могут Вас заинтересовать

51201. Исследование биполярного транзистора 497.57 KB
  Цель работы: изучение свойств биполярного транзистора в режиме постоянного тока и при переменном сигнале в зависимости от схемы его включения. Характеристики биполярного транзистора П306А: Тип прибора Проводимость Предельные значения параметров при Т=25С Значения параметров при Т=25С П306А pnp 80 04 10 005 535 01 60120 Схемы установок для исследования транзисторов: Рис.1 Схема с общей базой для исследования выходных статических характеристик биполярного транзистора...
51202. Разработка интерпретатора текстовой (теговой) разметки документа 148.66 KB
  Идея языков разметки состоит в том, что визуальное отображение документа должно автоматически получаться из логической разметки и не зависеть от его непосредственного содержания. Это упрощает автоматическую обработку документа и его отображение в различных условиях (например, один и тот же файл может по-разному отображаться на экране компьютера, мобильного телефона и на печати...
51203. Аналитическое моделирование дискретно-стохастической СМО 241.97 KB
  Цель: Построить граф состояний СМО . Смысл кодировки состояний раскрыть (время до выдачи заявки, число заявок в накопителе и т.д.). На схеме условно обозначены
51204. Построение аналитической и имитационной модели одноканальной СМО с неограниченной очередью и ее исследование 56.42 KB
  Цель: Имеется n-канальная СМО с неограниченной очередью. Входной поток и поток обслуживаний - простейшие с интенсивностями и соответственно. Время пребывания в очереди ограничено случайным сроком , распределенным по показательному закону с математическим ожиданием...
51206. Построение синтаксического дерева 53.35 KB
  Включить в синтаксический анализатор из лабораторной работы №.3 построение синтаксического дерева. Использовать атрибутный метод Кнута, т.е. преобразовать КС–грамматику из лабораторной работы № 3 в атрибутную грамматику добавлением атрибутов и правил построения синтаксического дерева. Расширить программу синтаксического анализатора из лабораторной работы...
51207. Разработка контекстного анализатора 48.83 KB
  Для предложенного преподавателем варианта контекстного условия расширить атрибутную грамматику из лабораторной работы № 4 добавлением атрибутов, правил их вычисления, правил вычисления контекстных условий. Включить в программу синтаксического анализатора из лабораторной работы № 4 действия по вычислению атрибутов и проверки контекстных условий.