view in publisher's site

Artificial Intelligence—Neural Network Methods

This chapter deals with applications of artificial intelligence and more particularly of artificial neural network (ANN) methods for transport demand. First, the structure of a biological and of an artificial neuron, the fundamental functions of an ANN, analogies between artificial and biological neurons, and the activation function of an ANN are explained. The various types of ANN, algorithms, and software are presented afterward. The structure of an ANN (input layer, output layer, hidden layer), the propagation rule (feedforward, backpropagation, recurrent), the method of supervision of learning (supervised learning, reinforced learning, nonsupervised learning), and the learning rule (error correction, Hebbian, Boltzman, Perceptron) are extensively analyzed. Similarities and differences of ANN and statistical and econometric methods are surveyed: assumptions, mechanism and processes, nonlinearities, collinearities, fluctuations of data. A step-by-step analytical example of an application of ANN for the long-term forecast of air transport demand is scrupulously studied and explained: architecture of the ANN model, single and multiple inputs, data and software, propagation rule (feedforward, recurrent), number of iterations, errors. Another application of ANN for the analysis of rail demand is explained in detail. Applications of ANN for the analysis of other sectors of transport are also discussed: road traffic, road safety, driver behavior, self-driven vehicles, freight transport, maintenance needs, performance and quality of service, effects of unpredicted events, and transport economics.

هوش مصنوعی - روش‌های شبکه عصبی مصنوعی

در این فصل به کاربردهای هوش مصنوعی و به ویژه شبکه‌های عصبی مصنوعی (ANN)برای تقاضای حمل و نقل می‌پردازد. اول، ساختار یک نورون مصنوعی و یک نورون مصنوعی، عملکرد اساسی ANN، قیاس بین نورون‌های مصنوعی و بیولوژیکی، و تابع فعال‌سازی ANN توضیح داده می‌شود. انواع مختلفی از ANN، الگوریتم ها و نرم‌افزار پس از آن ارائه می‌شوند. ساختار ANN (لایه ورودی، لایه خروجی، لایه مخفی)، روش نظارت بر یادگیری (یادگیری تحت نظارت، یادگیری تقویت‌شده، یادگیری تقویتی)، و قاعده یادگیری (تصحیح خطا، Hebbian، boltzman، Perceptron)به طور گسترده مورد تجزیه و تحلیل قرار می‌گیرند. شباهت‌ها و تفاوت‌های ANN و روش‌های آماری و اقتصادسنجی مورد بررسی قرار می‌گیرند. یک مثال تحلیلی گام‌به‌گام کاربرد ANN برای پیش‌بینی بلند مدت تقاضای حمل و نقل هوایی با دقت مورد مطالعه قرار می‌گیرد و توضیح می‌دهد: معماری مدل ANN، ورودی‌های منفرد و چندگانه، داده‌ها و نرم‌افزار، قاعده تکثیر (feedforward، تکراری)، تعداد تکرارها، خطاها. کاربرد دیگر ANN برای تحلیل تقاضای ریل به طور مفصل توضیح داده می‌شود. کاربردهای ANN برای تحلیل بخش‌های دیگر حمل و نقل نیز مورد بحث قرار می‌گیرند: ترافیک جاده‌ای، ایمنی جاده‌ای، رفتار راننده، وسایل نقلیه خود محور، حمل بار، نیاز تعمیر و نگهداری، عملکرد و کیفیت خدمات، اثرات حوادث پیش‌بینی‌نشده و اقتصاد حمل و نقل.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.