×

Вы используете устаревший браузер Internet Explorer. Некоторые функции сайта им не поддерживаются.

Рекомендуем установить один из следующих браузеров: Firefox, Opera или Chrome.

Контактная информация

+7-863-218-40-00 доб.200-80
ivdon3@bk.ru

Система поддержки принятия решений при управлении эксплуатационным состоянием автомобильных дорог

Аннотация

Д.А. Скоробогатченко

Предложена система поддержки принятия решений при управлении процессами эксплуатации автомобильных дорог. В основе системы лежит методика прогнозирования изменения эксплуатационного состояния автомобильных дорог с использованием нечетких нейронных сетей. Алгоритм обучения, реализованный в модели, позволяет корректировать результаты прогноза с целью повышения точности расчетов.
Ключевые слова: система поддержки принятия решений, эксплуатационное состояние, прогнозирование, нечеткие нейронные сети.

05.13.10 - Управление в социальных и экономических системах

В настоящее время особое значение приобретают вопросы, связанные с обеспечением потребительских качеств существующей сети автомобильных дорог. Данное обстоятельство обуславливает необходимость разработки систем поддержки принятия решений при  управлении эксплуатационным состоянием автомобильных дорог. Существенным компонентом отраслевых систем поддержки принятия решений являются процедуры моделирования и прогнозирования изменения эксплуатационного состояния автомобильных дорог. В целях повышения точности прогноза эксплуатационного состояния автомобильных дорог в работе [1] было предложено использовать нечеткие нейронные сети (ННС). Экспериментальным путем была установлена необходимость реализации ННС с тремя входами, для переменных, характеризующих начальное эксплуатационное состояние автомобильной дороги, степень воздействия внешней среды и уровень дорожных работ [2]. Архитектуру ННС с тремя входами для прогнозирования изменения ЭС АД приведем на рис. 1.
На первом слое пользователь вводит данные, характеризующие уровень начального ЭС АД, воздействия среды и дорожные работы:
yi= xi
где yi – нейроны первого слоя, которым присваиваются значения входных переменных;  xi – входные переменные, значения которых задаются пользователем; i - количество входных переменных  (i =1…3 для каждого xi).
На втором слое каждая переменная первого слоя представляется тремя функциями принадлежности гауссовского типа:
yi,r = m(xi)
где m(xi) – функции принадлежности нечетких множеств входных переменных  (см. табл. 1): r – количество нечетких множеств (r =1…3).


 

 

Рис. 1. Вид нечеткой нейронной сети для прогнозирования изменения эксплуатационного состояния автомобильных дорог
На третьем слое  осуществляется произведение значений нейронов второго слоя, представляющее собой перебор вариантов возможных сочетаний:

j – количество произведений – нейронов третьего слоя (j=1…27).
Таблица 1
Вид функций принадлежности (нейроны второго слоя)


Начальное ЭС АД

Воздействие среды

Воздействие работ

множество

Вид функции

множество

Вид функции

множество

Вид функции

Неуд.

Низк.

Низк.

Удовл.

Сред.

Сред.

Хор.

Разр.

Интен.

На четвертом слое осуществляется суммирование результатов произведений третьего слоя помноженных на веса связей. В результате в данном слое имеется всего два нейрона:
 и
Где  - первоначальный вес связи
На пятом слое получается выходное значение прогнозируемого ЭС АД путем деления значения нейрона а на значение нейрона b:

Настройка весовых коэффициентов позволит устранить субъективизм в формулировке набора нечетких правил. Алгоритм обучения ННС следующий:
1. По материалам фактического обследования дорог за прошлые годы определяется обучающая выборка. Она представляет собой статистический набор фактических значений входных переменных и соответствующих им значений выходной переменной – прогнозируемого  ЭС АД.
2. Определяется расчетное значение выходной переменной Yрасчm для каждого из m-примеров обучающей выборки, которые также приводятся в массиве рядом с фактическими данными (см. табл. 2).
Таблица 2
Общий вид обучающей выборки для ННС с двумя входами


№ примера, m

Фактическое значение

Расчетное значение выходной переменной, Yрасчm

Фактическая ошибка
εфактm=  Yрасчm– Yфактm

1-ой входной переменной, x1m

2-ой входной переменной, x2m

выходной переменной, Yфактm

x11

x21

Yфакт1

Yрасч1

εфакт1

x12

x21

Yфакт2

Yрасч1

εфакт2

M

x1M

x2M

YфактM

YрасчM

εфактM

3. Задается величина средней допустимой ошибки за цикл обучения (ε доп), а также величина скорости обучения (η).
4. Рассчитываются новые значения весов связей между третьим и четвертым слоем по следующим формулам:
ɷjm(t+1) =ɷjm(t) + Δɷjm
Δɷjm = –ηΧyjΧε фактm
где t – номер цикла обучения. Один цикл обучения включает перебор всех примеров из обучающей выборки.
5. Определяется средняя фактическая ошибка за цикл обучения

Для практических расчетов по приведенным выше алгоритмам на языке программирования PHP разработана автоматизированная система «Road Status».  В результате обучения в АСУ «Road Status»  были получены новые весовые коэффициенты ɷj к связям между третьим и четвертым слоями. Общее количество примеров-километров, использованных в обучающей выборке, составило свыше трех с половиной тысяч. После настройки весовых коэффициентов суммарная ошибка прогнозирования в АСУ на всю автомобильную дорогу не превышает 5-8 %.
Таблица 2
Анализ изменения эксплуатационного состояния автомобильных дорог при осуществлении оптимизационных мероприятий в АСУ «Road Status»

           

Наименование
автомобильной дороги

Факт ЭС АД

Прогноз ЭС АД при оптимизации

Рост ЭС при оптимизации

2010 г.

2011 г.

Абс.

Относ.

Волгоград-Каменск-Шахтинский

0,67

0,72

0,775

0,055

7,6

Тамбов-Пенза

0,73

0,69

0,744

0,054

7,8

Южный обход г. Тамбова

0,72

0,66

0,709

0,049

7,4

Подъезд к г. Элисте от автодороги «Каспий»

0,59

0,63

0,675

0,045

7,1

Сызрань-Саратов-Волгоград

0,57

0,62

0,661

0,041

6,6

Воронеж-Тамбов

0,54

0,68

0,739

0,059

8,7

Настроенная АСУ «Road Status» способна выполнять оптимизационные расчеты по максимизации эксплуатационного состояния в рамках лимитированного бюджета дорожных работ. АСУ предлагает выбор видов и мест дорожных работ таким образом, чтобы достигнуть максимальное эксплуатационное состояние автомобильной дороги при заданном лимите финансирования на нее. Суть подхода заключается в том, что благодаря обоснованному планированию дорожных работ, можно добиться большего значения эксплуатационного состояния при тех же затратах на автомобильную дорогу. Результаты расчетов оптимизационного эксплуатационного состояния нескольких автомобильных дорог приведем в табл. 2.
Очевидно, что управление эксплуатационным состоянием с применением предложенной модели прогнозирования и оптимизационной методики в АСУ «Road Status» позволит добиться роста эксплуатационного состояния автомобильных дорог в среднем на 7 % при сохранении существующих объемов финансирования работ по содержанию. В результате можно сделать вывод, что практическое использование АСУ «Road Status» позволит повысить эффективность содержания  автомобильных дорог за счет повышения точности расчетов на стадии технико-экономического обоснования.

Библиографический список

    1.Скоробогатченко Д.А. Моделирование изменения эксплуатационного состояния автомобильных дорог с учетом информации качественного характера // Промышленное и гражданское строительство. 2011. № 4. С. 40-42.
    2.Скоробогатченко Д.А. Применение нечетких нейросетевых моделей для идентификации состояния автомобильных дорог / Камаев В.А., Щербаков М.В., Скоробогатченко Д.А. // Вестник компьютерных и информационных технологий. – 2010.  – № 12. – С. 36-41.