دانلود مقاله ISI انگلیسی شماره 22312
ترجمه فارسی عنوان مقاله

داده کاوی با روش های مختلف بهینه سازی

عنوان انگلیسی
Data mining with various optimization methods
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
22312 2014 7 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 41, Issue 8, 15 June 2014, Pages 3993–3999

فهرست مطالب ترجمه فارسی
چکیده

مقدمه

فرمول بندی مسأله

نمونه برداری از داده ‏ها

روشها و مدل ریاضی

الگوریتم ژنتیک

نمودار یک: نمودار جریان کار الگوریتم ژنتیک

هوکی و جیوز

بازپخت و تبرید شبیه سازی شده

بهینه سازی اجتماع ذرات

شبیه سازی

رابطه کاربری گرافیکی نرم افزاری

نتایج

جدول یک: پارامترهایی که در بهینه سازی استفاده شدند

جدول دو: پارامترهای بهینه شده برای کل مجموعه ها

جدول سه:پارامترهای بهینه شده برای مدل سازی

جدول چهار: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده ها

جدول پنج: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده های آزمون

نمودار مقایسه پهلو به پهلوی داده های اندازه گیری

نمودار مقایسه داده های اندازه گیری شده و داده های محاسبه شده 

نتیجه گیری


 
ترجمه کلمات کلیدی
سر و صدای ترافیک - هوش مصنوعی - الگوریتم ژنتیک - هوک وجویس - بازپخت شبیه سازی شده - بهینه سازی ازدحام ذرات - نرم افزار
کلمات کلیدی انگلیسی
Traffic noise, Artificial intelligence, Genetic algorithm, Hooke and Jeeves, Simulated annealing, Particle swarm optimization, Software
ترجمه چکیده
ترافیک (عبور و مرور) جاده‏ای به عنوان منبع اصلی سر و صدای محیط‏های شهری شناخته شده و به اثبات رسیده است که این سر و صدا به طور قابل توجهی بر سلامت جسمی و روانی انسان و بهره وری نیروی کار تأثیر می گذارد. پس، بسیار مهم است برای کنترل سطح صوتی این سر و صدا در محیطهای شهری به توسعۀ روشهای مدلسازی سر و صدای ترافیک جاده‏ای بپردازیم.همانطور که در ادبیات موضوع مشاهده می شود، روشهایی که با این موضوع سر و کار دارند عموماً بر اساس تحلیل رگرسیون پایه گذاری شده‏اند و دیگر رویکردها کمتر به‏کار برده شده‏اند. در این مقاله روشی جدید ارائه شده که بر اساس بهینه‏سازی استوار است. در شبیه سازی این کار از چهار تکنیک استفاده شده است؛ الگوریتم ژنتیک، الگوریتم هوکی و جیوز، بازپخت و تبرید شبیه سازی شده و بهینه سازی اجتماعات. دو سناریوی متفاوت در این مقاله ارائه شده است. در سناریوی اولِ روشهای بهینه سازی، برای پیدا کردن مناسبترین پارامترها از کل مجموعه داده‏های اندازه گیری شده استفاده می شود، در حالی که در سناریوی دوم، فقط بابعضی از داده‏های اندازه گیریپارامترهای بهینه شده پیدا شدند در حالی که از مابقی داده ها برای ارزیابی قابلیت های پیش بینی مدل استفاده شد. برازش مدل با استفاده از ضریب تعیین و دیگر پارامترهای آماری ارزیابی شد و نتایج در هر دو سناریو نتایج نشان دهندۀ توافق بالای بین داده‏های اندازه‎گیری شده و ارزشهای محاسبه شده هستند. همچنین، این مدل را با مدلهای آماری کلاسیک هم مقایسه کردیم و قابلیتهای برتر مدل پیشنهادی ما نشان داده شد. شبیه‏سازی نیز با استفاده از بسته ای از نرم افزارهای موثق و کاربر پسند انجام شد.
ترجمه مقدمه
سر و صدای عبور و مرور جاده ای به همراه سر و صدای حاصل از راه های ریلی و همچنین صنایع جزو عوامل مهم ایجاد آلودگی صوتی در محیطهای شهری هستند. در سالهای اخیر تأثیرات سر و صدای ترافیک بر سلامتی انسان در موقعیتهای متعددی مورد تحقیق قرار گرفته است ( برینک، 2011؛ فیری و کلبو، 2009؛ پیررا، دو والک و کلویدس، 2010) و نتایج حاصله نشان می دهند که این نوع از آزار مشخصاً بر سلامتی ذهنی و جسمی انسان تأثیر گذار است، تأثیراتی مانند؛ ایجاد اضطراب، استرس، موانع شنیداری، اختلال خواب، مشکلاتقلبیوعروقی و غیره ... . بنابراین، بسیار مهم است به منظور کنترل سطح صوتی سر و صدای ترافیک در محیطهای شهری، به ایجاد روشهایی برای پیش‏بینی آن بپردازیم. با توجه به توسعۀ سریع ابزار حمل و نقل و عبور و مرور جاده‏ای، تأثیرات ساختار جریان عبور و مرور بر سطح سر و صدای ترافیکی به یکی از حوزه های مهم تحقیقاتی تبدیل شده است. این امکان وجود دارد که از طریق پایش پارامترهای اساسی جریان ترافیک و رویه‏های آنها به پیش بینی و پایش سر و صدای بوجود آمده در بخشی خاص از شبکۀ حمل و نقل برسیم. در این مسیر می توان با استفاده از حالتهای مختلف مدیریت ترافیک به تأثیرات کاهش سر و صدا دست یافت و این نتایج بویژه برای سلامتی انسان و بهبود محیط زیست بسیار مهم هستند. مدلهای داده‏ی اولیه در زمینۀ پیش بینی سر و صدای جاده ای (TNP) در سالهای دهۀ 1950 میلادی ایجاد شدند. از آن زمان تا کنون تعداد زیادی از روش‏ها و مدلهای پیش بینی سر و صدای جاده ای ایجاد شده اند که نقد و بررسی پر استفاده ترین آنها در مقالۀ استیل (2001) و کوارتییری و همکارانش. (2009) آمده است. بیشتر مدلهای پیش بینی سر و صدای جاده‏ای که در ادبیات موضوع به آنها اشاره شده بر اساس تحلیل رگرسیون خطی استوار هستند.محدودیتهای اصلی آن مدلها همانطور که در مقالات کوارتیری و همکاران. (2009) و گوارناچیا، لنزا، موستاراکیس و کوارتیری (2011) آمده عبارتند از؛ "این که آنها طبیعت ذاتی تصادفی بودن جریان عبور و مرور را در نظر نمی‏گیرند زیرا آنها اهمیتی به این که درواقعیت وسایل نقلیه چگونه حرکت می کنند نمی دهند و فقط تعداد آنها را در نظر می گیرند". در مدلهای پیشرفته، شبکه های عصبی مصنوعی (ANN) (کاماراتا، کاوالیری، و فیچرا، 1995؛ گیوارگیس و کریمی، 2010) و الگوریتمهای ژنتیک (گندوگدو، گداد، و یکسل، 2005؛ رحمانی، موسوی، و کمالی، 2011) نیز به کار گرفته شده اند. مدل شبکه های عصبی مصنوعی که در مقالۀ کاماراتا و همکارانش. (1995) استفاده شده است دارای 3 ورودی است: 1) تعداد معادل وسایل نقلیه که این گونه به دست آمد؛ مجموع تعداد اتومبیلهای سواری بعلاوۀ سه برابر تعداد موتورسیکلتها بعلاوۀ شش برابر تعداد کامیونها، 2) متوسط وزن ساختمانهای کنار جاده، 3) و عرض جاده. نویسندگان به منظور افزایش تعداد ورودی‏ها، تعداد معادل وسایل نقلیه را به تعداد اتومبیلهای سواری، تعداد موتورسیکلتها، و تعداد کامیونها تجزیه کردند و مدل شبکه های عصبی مصنوعی را با 5 ورودی بکار گرفتند. از لحاظ پارامترهایی که در مدل محاسبات سر و صدای ترافیک جاده ای (CoRTN) (کوارتیری و همکاران.، 2009) وجود دارند (این مدل در ابتدا توسط لابراتوار تحقیقات حمل و نقل و جاده و دپارتمان حمل و نقل انگلستان ایجاد شد)، مدل شبکه های عصبی مصنوعی که در مقالۀ گیوارگیس و کریمی (2010) استفاده شده است دارای 5 متغیر ورودی است: کل جریان عبور و مرور در ساعت، درصد وسایل نقلیۀ سنگین، میانگین سرعت عبور و مرور در ساعت، شیب جاده، و زاویۀ دید.نویسندگان، مدل ایجاد شده را با داده‏های جمع آوری شده از خیابانهای تهران آزمون کردند و تفاوت خاصی بین نتایج مدل شبکه های عصبی مصنوعی توسعه یافته و مدل محاسبات سر و صدای ترافیک جاده‏ای مشاهده نکردند. در مقالۀ گندوگدو و همکارانش. (2005) از الگوریتم ژنتیک برای مدلسازی سر و صدای جاده ای استفاده شد و در این ارتباط از داده های ترکیب ترافیک (وسیلۀ نقلیه در ساعت)، شیب جاده، و نسبت ارتفاع ساختمان به عرض جاده استفاده شد. در مقالۀ رحمانی و همکارانش. (2011) مدل پیشنهادی تابعی است از کل جریان عبور و مرور معادل و سرعت معادل عبور و مرور. در هر دو مقاله، نویسندگان برای پیدا کردن مقادیر بهینه از MATLAB استفاده کرده اند. در مقالۀ حاضر کاربرد چهار تکنیک بهینه سازی برای پیش بینی سر و صدای جاده ای ارائه شده است. این تکنیکها عبارتند از: الگوریتم ژنتیک، الگوریتم هوکی و جیوز، بازپخت و تبرید شبیه سازی شده، و بهینه سازی اجتماع ذرات. مدل پیشنهادی شامل پنج متغیر می‏شود: تعداد وسایل نقلیۀ موتور سبک، تعداد کامیونهای متوسط(کامیونت)، تعداد کامیونهای سنگین، تعداد اتوبوسها، و متوسط سرعت جریان ترافیک. تمام مدلهای بهینه شده، با داده‏هایی که از خیابانهای صربستان و با استفاده از بستۀ نرم‏افزاری کاربر پسند نسخه اصلی جمع آوری شده بودند اندازه گیری شدند.
پیش نمایش مقاله
پیش نمایش مقاله  داده کاوی با روش های مختلف بهینه سازی

چکیده انگلیسی

Road traffic represents the main source of noise in urban environments that is proven to significantly affect human mental and physical health and labour productivity. Thus, in order to control noise sound level in urban areas, it is very important to develop methods for modelling the road traffic noise. As observed in the literature, the models that deal with this issue are mainly based on regression analysis, while other approaches are very rare. In this paper a novel approach for modelling traffic noise that is based on optimization is presented. Four optimization techniques were used in simulation in this work: genetic algorithms, Hooke and Jeeves algorithm, simulated annealing and particle swarm optimization. Two different scenarios are presented in this paper. In the first scenario the optimization methods use the whole measurement dataset to find the most suitable parameters, whereas in the second scenario optimized parameters were found using only some of the measurement data, while the rest of the data was used to evaluate the predictive capabilities of the model. The goodness of the model is evaluated by the coefficient of determination and other statistical parameters, and results show agreement of high extent between measured data and calculated values in both scenarios. In addition, the model was compared with classical statistical model, and superior capabilities of proposed model were demonstrated. The simulations were done using the originally developed user friendly software package.

مقدمه انگلیسی

Road traffic noise along with the noise coming from railways and industries represents very important factor regarding environmental pollution in urban areas. The influence of traffic noise on human health has been studied on numerous occasions in recent years (Brink, 2011, Fyhri and Klboe, 2009 and Pirrera et al., 2010) resulting that this kind of annoyance significantly affects both mental and physical health in many ways: causing anxiety, stress, hearing impediments, sleep disturbance, cardiovascular problems, etc. Thus, in order to control noise sound level in urban areas, it is very important to develop methods for prediction of the traffic noise. Due to the rapid development of means of transportation and road traffic, the influence of the traffic flow structure on the level of traffic noise is an important area of research. Through the monitoring of basic flow parameters and their trends it is possible to predict and monitor noise that appears in the certain part of the transport network. In this way, the effect of noise reduction can be achieved through different modes of traffic management, which is particularly important for human health and environmental improvement. The first traffic noise prediction (TNP) models date back to early 1950s. Since then large number of methods and models for traffic noise prediction has been developed. The critical reviews of the most used ones are given in Steele, 2001 and Quartieri et al., 2009. Most of the TNP models that are presented in literature are based on linear regression analysis. The main limit of those models, as concluded in Quartieri et al., 2009 and Guarnaccia et al., 2011, is “that they do not take into account the intrinsic random nature of traffic flow, in the sense that they do not take care of how vehicles really run, considering only how many they are”. More advanced models involve artificial neural networks (ANN) (Cammarata et al., 1995 and Givargis and Karimi, 2010) and genetic algorithms (Gndogdu et al., 2005 and Rahmani et al., 2011). ANN model that was used in Cammarata et al. (1995) has 3 inputs: equivalent number of vehicles, which was obtained by adding to the number of cars number of motorcycles multiplied by 3 and number of trucks multiplied by 6, the average height of the buildings on the sides of the road, and the width of the road. In order to increase the number of inputs authors decomposed equivalent number of vehicles into the number of cars, the number of motorcycles, and the number of trucks, and got the ANN model with 5 inputs. In terms of the parameters involved in the CoRTN (Calculation of Road Traffic Noise) model (Quartieri et al., 2009), which was initially developed in 1975 by the Transport and Road Research Laboratory and the Department of Transport of the United Kingdom, the ANN model that was used in Givargis and Karimi (2010) has 5 input variables: the total hourly traffic flow, the percentage of heavy vehicles, the hourly mean traffic speed, the gradient of the road, and the angle of view. Authors tested the developed model on the data collected on Tehran’s roads, and found no significant differences between the outputs of the developed ANN and the calibrated CoRTN model. In Gndogdu et al. (2005) genetic algorithm was used to model the traffic noise in relation to traffic composition (vehicle per hour), the road gradient and the ratio of building height to the road width. In Rahmani et al. (2011) the proposed model is a function of total equivalent traffic flow and equivalent traffic speed. In both papers the authors used MATLAB to find the optimized values of model parameters. In this paper an application of four optimization techniques for the prediction of traffic noise is presented. These techniques are: genetic algorithms, Hooke and Jeeves algorithm, simulated annealing, and particle swarm optimization. The model that is proposed consists of five variables: the number of light motor vehicles, the number of medium trucks, the number of heavy trucks, the number of buses and the average traffic flow speed. All optimized models are tested on data measured on Serbian road using the originally developed user friendly software package.

نتیجه گیری انگلیسی

In this paper a novel approach for modelling of traffic noise is presented. This approach is based on advanced optimization techniques on the contrary to regression analysis that is most widely used method for traffic noise modelling. Four optimization techniques were used to optimize the proposed model: genetic algorithms, Hooke and Jeeves algorithm, simulated annealing, and particle swarm optimization. The model is optimized and tested using originally developed user friendly software package. The goodness of the model is evaluated by statistical parameters and compared with experimental results and widely used regression model for traffic noise modelling developed by Fagotti et al. All statistical analysis show that the developed model is precise. Statistical tests showed a high correlation of proposed model to the measured values which makes the model significant. The proposed model operates with relatively simple input values (parameters and structure of traffic flow) that are easily measurable on site, and that are already monitored on the traffic network. Validation has shown that by measuring and monitoring traffic flow parameters it is possible by means of developed model to predict traffic noise level by far better than with classical statistical models. That makes it possible to take certain measures toward the traffic noise reducing by changing the influential traffic flow parameters and traffic regime. Based on calculated noise level by means of proposed model, it is possible to appraise the noise level in existing as well as in newly designed traffic arteries or detours, or during the traffic regime change on an existing network. Traffic noise is complex phenomenon that depends on many influential factors. Apart from intrinsic parameters such as numbers of vehicles in specific group of vehicles and the average speed of the traffic flow, there is also a group of parameters that are specific for area under investigation, such as speed limits, road surface, driving skills and habits, type of intersections, traffic lights’ schedules etc. The proposed model for the analysis of traffic noise is shown to be a reliable tool for the practical application of the calculating equivalent noise levels based on the traffic flow structure for typical road in Serbia. The weakness of the model is that it does not take into account the area specific parameters. Therefore the future research directions might be to include these specific parameters in model in order to make it more general.