Прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі
Open Access
- 29 April 2021
- journal article
- Published by Ukrainian National Forestry University in Scientific Bulletin of UNFU
- Vol. 31 (3), 109-119
- https://doi.org/10.36930/40310317
Abstract
Розглянуто особливості прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі за різних наборів вхідних даних, складу параметрів архітектури мережі, конфігурації апаратного забезпечення та його потужності. З'ясовано, що для зменшення тривалості очікування нових замовлень та відстані до клієнтів доцільно використовувати відповідні інформаційно-аналітичні системи, робота яких ґрунтується на штучному інтелекті. Це дасть змогу вирішити проблему попиту на перевезення таксі у відповідний період доби з врахуванням погодних умов, святкових, вихідних і робочих днів, а також пори року. Врахування ж наявних транспортних об'єктів – авіарейсів, потягів чи автобусів значно покращують роботу такої дорадчої системи. Використана в роботі гібридна архітектура нейро-фаззі мережі дає змогу одночасно вирішувати завдання короткотермінового прогнозування попиту на пасажирські перевезення таксі, а також проводити діагностику самої мережі, що полягає у виявленні різких змін властивостей обчислювального процесу. Для досягнення відповідної точності прогнозу в роботі опрацьовано набори вхідних даних у кількості 4,5 млн поїздок таксі. Для зменшення тривалості процедури навчання нейронної мережі організовано паралельні обчислення між різними вузлами мережі за допомогою графічних процесорів. Проведено навчання нейронної мережі на центральному процесорі, одному та двох графічних процесорах відповідно. З'ясовано, що організація паралельних обчислень на декількох графічних процесорах не завжди зменшує тривалість процедури навчання мережі, оскільки витрати на синхронізацію градієнтів між активними процесами значно перевищують користь від паралельних розрахунків. Встановлено, що за умови великого обсягу даних для організації паралельних обчислень та відповідної архітектури нейронної мережі можна досягти деякого зменшення тривалості процедури її навчання. Визначено, що зменшення тривалості процедури навчання нейронної мережі залежить від таких чинників: її архітектури, кількості параметрів навчання, конфігурації апаратного забезпечення та організації паралельних розрахунків.This publication has 37 references indexed in Scilit:
- Data-Driven Robust Taxi Dispatch Under Demand UncertaintiesIEEE Transactions on Control Systems Technology, 2017
- Analysis of Taxi Drivers' Behaviors Within a Battle Between Two Taxi AppsIEEE Transactions on Intelligent Transportation Systems, 2015
- Region-Based Convolutional Networks for Accurate Object Detection and SegmentationIEEE Transactions on Pattern Analysis and Machine Intelligence, 2015
- Correcting and combining time series forecastersNeural Networks, 2014
- Deep Learning: Methods and ApplicationsFoundations and Trends® in Signal Processing, 2014
- Multilayer Perceptrons: Architecture and Error BackpropagationPublished by Springer Science and Business Media LLC ,2013
- Nonlinear System IdentificationPublished by Wiley ,2013
- Multilayer Neuro-fuzzy Network for Short Term Electric Load ForecastingPublished by Springer Science and Business Media LLC ,2008
- Nonlinear modelling and prediction with feedforward and recurrent networksPhysica D: Nonlinear Phenomena, 1997
- Finding Structure in TimeCognitive Science, 1990