| Авторы |
Шумилин Алексей Дмитриевич, аспирант, Пензенский государственный университет (440026, Россия, г. Пенза, ул. Красная, 40), a.d.shumilin@ya.ru
Вершинин Николай Николаевич, доктор технических наук, профессор, заведующий кафедрой техносферной безопасности, Пензенский государственный университет (440026, Россия, г. Пенза, ул. Красная, 40), nversinin@yandex.ru
Вершинин Алексей Евгеньевич, магистрант, Пензенский государственный университет (440026, Россия, г. Пенза, ул. Красная, 40), laviks@yandex.ru
Волкова Алиса Сергеевна, аспирант, Пензенский государственный университет (440026, Россия, г. Пенза, ул. Красная, 40), vals_0791@mail.ru
|
| Аннотация |
Актуальность и цели. Показано, что автотранспорт порождает экологические проблемы в крупных городах, поскольку особенностью автотранспорта как подвижного источника загрязнения является низкое расположение (на уровне дыхания детей), распределение на неопределенные территории, непосредственная близость к жилым районам. Необходимо получить полную информацию об экологической обстановке в городе.
Материалы и методы. Показано, что использование искусственных нейронных сетей является одним из наиболее перспективных методов, используемых при проведении исследований социологических, биологических, финансовых, экономических и других сложных систем. Предложено использовать технологии искусственного интеллекта для прогнозирования негативных факторов влияния автотранспорта на городскую среду.
Результаты. Рассматривается технология прогнозирования с помощью искусственных нейронных сетей. Описаны этапы выявления факторов и построения моделей для применения нейросетевого прогнозирования. В качестве примера рассмотрен процесс прогнозирования влияния автотранспорта на экологическую обстановку города. Определены временные ряды для выявления повторяемости характеризующих их выборок в зависимости от факторов. Описан способ прогнозирования временных рядов нейронной сетью обратно го распространения ошибки. С помощью ошибки обобщения выявлялся эффект переобучения. При обучении происходило постоянное уменьшение ошибки обучения до минимального значения, после этого обучение прекращалось. Предложены возможные варианты применения искусственных нейронных сетей в сфере контроля за экологической обстановкой. Показаны возможности аналитической платформы Deductor Studio, используемой при обучении нейронной сети.
Выводы. Результаты представленного прогноза могут использоваться на практике при формировании локальных прогнозов количества единиц автотранспорта в районах с установленными камерами наблюдения. Чтобы повысить точность прогноза, целесообразно осуществить привязку количества единиц автотранспорта к дням недели, периоду года. Показано, что с помощью нейросетей может быть построена удовлетворительная модель даже при недостаточном количестве данных, которая может в дальнейшем уточняться по мере поступления новых данных.
|
|
Ключевые слова
|
нейронная сеть, прогнозирование, обучение нейронной сети, обучение на примерах, искусственные нейроны, обучающая выборка, экология города, экологическая безопасность
|
| Список литературы |
1. Иванов, Н. И. Инженерная экология и экологический менеджмент / Н. И. Иванов, И. М. Фадин. – М. : Логос, 2011. – 528с.
2. Шумилин, А. Д. Мониторинг и прогнозирование влияния автомобильного транспорта на воздушный бассейн города Пенза / А. Д. Шумилин, Н. Н. Вершинин, Л. А. Авдонина // Надежность и качество сложных систем. – 2016. – № 2 (14). – С. 97–103.
3. Ясницкий, Л. Н. Системный анализ алгоритмов нейросетевого детектирования лжи / Л. Н. Ясницкий, А. М. Петров, З. И. Сичинава // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2010. – № 1 (13). – С. 64–72.
4. Волчихин, В. И. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации / В. И. Волчихин, А. И. Иванов, В. А. Фунтиков, Е. А. Малыгина // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2013. – № 4 (28). – С. 86–96.
5. Рощупкин, Э. В. Прогноз количества автотранспорта на улицах города с помощью нейронных сетей / Э. В. Рощупкин // Известия ТулГУ. Технические науки. – 2010. – Вып. 4. – Ч. 2. – С. 178–187.
6. BaseGroupLabs. Технологии анализа данных. – URL: https://basegroup.ru/ (дата обращения – 20.02.2017). 7. Гришко, А. К. Синтез тестовых образов для оценки стойкости нейросетевых преобразователей в системах биометрической идентификации / А. К. Гришко, В. С. Лукин, Н. К. Юрков // Надежность и качество сложных систем. – 2017. – № 2 (18). – С. 32–40.
|
