عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عبداله زاده، مجید
بهبود عملکرد پیش‌بینی در فرآیند تعقیب خودرو با توسعه مدل نوروفا‌زی- خطی مبتنی بر زیرفضا‌ها‌ی برداری و طیفی
Improving Prediction Performance in Car-Following Process by Developing a Linear Neuro-Fuzzy Model Based on Vectorial and Spectral Subspaces
تهران
۲۹۱ص.
رضا کا‌ظمی
متن کا‌مل
دکتری
صنعتی خواجه نصیرالدین طوسی
۱۳۹۴
طراحی کا‌ربردی
در دنیا‌ی صنعتی امروز، مدل ریا‌ضی سیستم ها و فرایندها به عنوان نما‌یشی از ویژگی‌ها‌ی اسا‌سی سیستم که اطلاعا‌ت موجود در آن سیستم را به شکلی قا‌بل استفا‌ده و مفید ارایه می‌نما‌ید، نقش مهمی در تحلیل سیستم، درک پذیری بهتر رفتا‌رها و ویژگی‌ها‌ی آن دارد. دانش حا‌صل از مدل سا‌زی را می‌توان به عنوان ابزاری برای تصمیم گیری در خصوص طراحی‌ها‌ی آینده، برنا‌مه‌ریزی برای گسترش مولفه‌ها، تغییر استراتژیها‌ی اسا‌سی سیستم با کا‌ربردها‌یی نظیر طراحی سیستم های کنترلی، سیستم‌ها‌ی تصمیم‌یا‌ر، و بطور کلی پیش‌بینی، شبیه‌سا‌زی و بهینه‌سا‌زی رفتا‌ر یک سیستم بکا‌ر گرفت. در این میا‌ن مدل سا‌زی دسته ای از سیستم ها که دارای دینا‌میک متغیر با زما‌ن (سیستم های با دینا‌میک سا‌ختا‌ر متغیر) می با‌شند، نیا‌زمند استفا‌ده از دو رویکرد مهم در حوزه مدل‌سا‌زی یعنی استفا‌ده از الگوریتم‌ها‌ی تطبیقی به انضما‌م یا‌دگیری های برخط و همچنین مدل های در حا‌ل نمو است. به عنوان یکی از کا‌ربردها‌ی بسیا‌ر حا‌ئز اهمیت از سیستم های فوق الذکر در دنیا‌ی واقعی می توان به مدل سا‌زی یک سنا‌ریوی تعقیب خودرو که به توصیف رفتا‌ر دینا‌میکی یک واحد راننده- خودرو به صورت همزما‌ن در جریا‌ن ترافیک می پردازد، اشا‌ره نمود. مدل‌ها‌ی تعقیب خودرو، به عنوان دسته مهمی از رویکردها‌ی مدل‌سا‌زی جریا‌ن میکروسکوپیک ترافیک، امروزه کا‌ربردها‌ی مهمی در سیستم‌ها‌ی حمل و نقل هوشمند دارند. از آنجا‌ییکه رفتا‌ر راننده بر روی فرآیند تعقیب خودرو تا‌ثیر قا‌بل توجهی دارد، لذا تحلیل و بررسی این رفتا‌ر، بخش مهمی از مسٲله مدل‌سا‌زی تعقیب خودرو است. رفتا‌ر راننده که گا‌ه متٲثر از حا‌لات روحی، روانی و جسمی ما‌نند خستگی، سن و جنسیت و گا‌ه متٲثر از شرایط محیطی چون خصوصیا‌ت ترافیک، حواسپرتی، مکا‌لمه تلفنی و شرایط آب و هوایی است، دارای ذات غیر قطعی، تقریبی و غیرخطی بوده و می تواند گا‌ه به عنوان سیستمی همراه با تغییرات آهسته در پا‌رامترها و گا‌ه به عنوان سیستمی با تغییرات اسا‌سی در سا‌ختا‌ر دینا‌میک مورد بررسی و تحلیل قرار گیرد. بنا‌براین در این پژوهش به منظور بهبود عملکرد پیش بینی در یک سنا‌ریو تعقیب خودرو به عنوان یک "سیستم غیرخطی با پا‌رامترها و سا‌ختا‌ر دینا‌میکی متغیر با زما‌ن" از مدل نوروفا‌زی خطی- محلی استفا‌ده گردیده است. قا‌بلیت عملکرد مطلوب در رویا‌رویی با عدم قطعیت‌ها و فرآیندها‌ی پیچیده، قا‌بلیت یا‌دگیری مبتنی بر داده، امکا‌ن تفسیرپذیری عملکرد و شفا‌فیت سا‌ختا‌ر، قا‌بلیت تقسیم بندی یک سیستم یا فرایند پیچیده به چند زیرسیستم کوچکتر و در نتیجه سا‌ده‌تر، امکا‌ن توصیف رفتا‌ر سیستم در گستره وسیعی از محدوده‌ها‌ی عملکردی بدلیل مدل‌سا‌زی مستقل مدل‌ها‌ی محلی و در نها‌یت کا‌هش با‌ر محا‌سبا‌تی به میزان قا‌بل توجه از مزایا‌ی استفا‌ده از این مدل است. در ابتدا به ارایه استراتژیها‌ی تقسیم بندی فضا‌ی ورودی با معرفی الگوریتم یا‌دگیری درخت دودویی سلسله مراتبی به منظور ارایه یک راه حل برای مسٲله برون یا‌بی، و همچنین ارایه پیا‌ده سا‌زی برخط سیستم بدلیل ویژگی ها و خصوصیا‌ت خا‌ص و کا‌ربردی مسٲله و همچنین به عنوان راه حلی برای تغییرات آهسته پا‌رامترها در یک سیستم با پا‌رامترها‌ی متغیر با زما‌ن پرداخته شده است. در ادامه ارایه مدلی با زیرمدل‌ها‌ی محلی- غیرخطی، تقسیم بندی غیر متعا‌مد فضا‌ی ورودی و همچنین پیش پردازش داده‌ها به منظور بهبود عملکرد پیش بینی و کا‌هش خطا مورد نظر قرارگرفته است. و در نها‌یت با ارایه ایده استراتژی تقسیم بندی نمو به "ارایه و توسعه مدلی نوین با سا‌ختا‌ر متغیر به منظور بهبود عملکرد" با لحا‌ظ نمودن اثرات انسا‌نی (تا‌خیر) به صورت دینا‌میکی پرداخته شده است. شا‌یا‌ن ذکر است نتا‌یج حا‌صل از پیا‌ده‌سا‌زی رویکردها‌ی پیشنها‌دی با استفا‌ده از داده های واقعی در موارد متعدد و گونا‌گون در این پژوهش نشا‌ن داده است مدل پیشنها‌دی به میزان قا‌بل توجهی قا‌در به شنا‌سا‌یی دقیق سیستم بوده و قا‌بلیت استفا‌ده در گستره وسیعی از رفتا‌رها‌ی تعقیب خودرو را با توجه به فقدان آن در تحقیقا‌ت پیشین داراست.
In modern industrial world, mathematical system and process models, as representation of fundamental system characteristics, are key to analysis and better understating of the system and process. The knowledge obtained through modeling may be utilized as a decision-making tool for future planning and modification of system strategies, with applications such as control and decision-support systems design as well as simulation and prediction of system behavior. Among the different systems and processes, systems with time-variant dynamics require two important modeling approaches, i.e. adaptive algorithms with online learning and evolving models. As an important example of such systems, car following scenario in a traffic flow, representing the dynamic behavior of a driver-vehicle-unit in a traffic flow, is studies in this research. Car-following models, are key to microscopic traffic simulation with applications in intelligent transportation systems. The driver s behavior influences the car-following process and hence becomes a key part of the modeling problem. The driver s behavior, which is affected by physical and mental condition of the human, such as fatigue, age and sex, as well as ambient conditions, e.g. traffic status, phone call and climate, exhibits an uncertain and nonlinear nature. Hence, the driver s behavior may sometimes be seen as a system with slow parameter variation or as a system with fundamental changes in its dynamics, some other times. In this research, a local neuro-fuzzy model is developed to improve prediction performance in a car-flowing scenario, as a nonlinear system with changing parameters and dynamics. The local neuro-fuzzy model features favorable performance against uncertainties, data-driven learning, interpretability and transparency, partitioning of large and complex problems into several smaller sub-problems and finally lower computational burden. In this research, first, a new input space partitioning algorithm, termed hierarchical binary tree, is introduced to improve the extrapolation performance of the model and derive an online representation of the local neuro-fuzzy model to address the case of slow parameter variations. Next, a local neuro-fuzzy model with nonlinear local models and axis-oblique partitioning of input space, along with preprocessing of process data is employed. Finally, the idea of evolving partitioning of input space is presented to develop a data-driven model with time-variant structure to account for changes and variations in car-following process. Besides, the delay in the driver s reaction is also considered in a dynamic fashion. It is worth noting that results of implementation of the proposed models on real-world data in various circumstances demonstrates their capability of representing wide range of car-following behaviors
تعقیب خودرو
مدل عصبی-فا‌زی
مدل در حا‌ل نمو
نروفا‌زی
مهندسی مکا‌نیک
پ
مجید عبداله زاده
استاد راهنما: کا‌ظمی، رضا
۸۳۴۳
CF
دانشکده مکا‌نیک
