Материал: 2488

решения первой задачи используется метод анализа с использованием самоорганизующихся карт Кохонена. Данный метод позволяет провести сегментацию всех участков дороги относительно объекта исследования, определить правила отнесения определенного травмоопасного участка с полученными сегментами, осуществить анализ карт Кохонена и на их основе построить деревья решений, тем самым ответить на вопрос «что будет, если». Метод анализа с использованием самоорганизующихся карт Кохонена позволяет автоматизировать все действия по поиску закономерностей. В данном случае объектами рассмотрения будут травмоопасные участки некоторого района.

Для того чтобы классифицировать и определить травмоопасные участки, необходимо:

-провести сегментацию всей участков трассы вокруг района с помощью карты Кохонена;

-определить правила отнесения определенного травмоопасного участка с полученными сегментами;

-проанализировать карты Кохонена и построить на их основе дерево решений.

В данном примере карты Кохонена имеют несколько признаков, таких как:

а) расстояние; б) категория дороги; в) код дороги.

Полученная карта обладает следующим свойством – узлы ее расположены таким образом, что объектам, похожим между собой, соответствуют соседние узлы карты. Для того чтобы определить, какие объекты попали в какие узлы карты, необходимо определить ближайший к нему узел. В результате всех этих операций объекты со схожими параметрами попадут в один узел или в соседние узлы. На рис. 20 представлена карта Кохонена, при рассмотрении которой можно сделать вывод, что некоторые просегментированные области можно объединить вследствие близостик определенным узлам.

Далее для получения правил отнесения клиентов к этим сегментам воспользуемся деревом решений (рис. 21). Дерево принятия решений – это дерево, на ребрах которого записаны атрибуты, от которых зависит целевая функция, в листьях записаны значения целевой функции, а в остальных узлах – атрибуты, по которым различаются случаи. Входными для дерева решений будут те же характеристики, а выходным – номер кластера.

126

настоящее время КСППР «Анализ и учет ДТП» проходит стадию опытной эксплуатации. В дальнейшем планируется внедрение системы в районное ГИБДД.

Для анализа соотнесения пунктов ПДД и схем ДТП целесообразно воспользоваться деревьями решений с целью классификации данных. На рис. 22 представлено дерево решений соотнесения пунктов ПДД со схемами ДТП.

Рис. 22. Дерево решений соотнесения пунктов ПДД со схемами ДТП

Из дерева решений видно, что важнейшими показателями, не зависящими от времени, являются нарушения ПДД и схема ДТП. Можно сказать, что схема ДТП формируется из основных нарушений ПДД, таких как:

а) несоблюдение очередности проезда; б) выезд на полосу встречного движения;

в) несоответствие скорости конкретным условиям; г) управлениетехническимсредством(ТС) внетрезвом состоянии; д) превышение скорости.

Решение задачи классификации является одним из важнейших применений нейронных сетей. Задача классификации представляет собой задачу отнесения образца к одному из нескольких попарно не пересекающихся множеств.

Для построения классификатора необходимо определить, какие

128

параметры влияют на принятие решения о том, к какому классу принадлежит образец. При этом могут возникнуть две проблемы. Вопервых, если количество параметров мало, то может возникнуть ситуация, при которой один и тот же набор исходных данных соответствует примерам, находящимся в разных классах. Тогда невозможно обучить нейронную сеть, и система не будет корректно работать (невозможно найти минимум, который соответствует такому набору исходных данных). Исходные данные обязательно должны быть непротиворечивы. Для решения этой проблемы необходимо увеличить размерность пространства признаков (количество компонент входного вектора, соответствующего образцу). Но при увеличении размерности пространства признаков может возникнуть ситуация, когда число примеров может стать недостаточным для обучения сети, и она вместо обобщения просто запомнит примеры из обучающей выборки и не сможет корректно функционировать. Таким образом, при определении признаков необходимо найти компромисс с их количеством.

Далее необходимо определить способ представления входных данных для нейронной сети, т.е. определить способ нормирования. Нормировка необходима, поскольку нейронные сети работают с данными, представленными числами в диапазоне 0...1, а исходные данные могут иметь произвольный диапазон или вообще быть нечисловыми данными. При этом возможны различные способы, начиная от простого линейного преобразования в требуемый диапазон и заканчивая многомерным анализом параметров и нелинейной нормировкой в зависимости от влияния параметров друг на друга.

На рис. 23 представлен граф нейронной сети, который показывает наиболее травмоопасный участок дороги, выходами которой являются конкретный участок дороги, вид ДТП и его схема.

Данная нейронная сеть позволяет выделить ряд факторов и изучить их влияние на определенном участке дорожного полотна. В качестве примера рассмотрим таблицы «Что - Если» как один из вариантов выходов нейронной сети и проанализируем их графические интерпретации. Рассмотрим ситуацию, представленную на рис. 24.

129

Рис. 23. Нейронная сеть для определения мер факторов, оказывающих наибольшее влияние на возникновение ДТП на определенном участке Любинского района

Рис. 24. Пример данных для анализа нейронной сети

Проанализируем зависимости факторов на основе графиков входных и выходных функций на основе нейронной сети (рис. 25).

При рассмотрении графика зависимости можно сказать, что для такого ДТП, как столкновение ТС на различных участках изучаемого района, преимущественное значение имеет вид покрытия асфальтобетон.

При рассмотрении данного графика можно также сделать вывод, что ДТП данного вида происходит преимущественно в светлое время суток (рис. 26).

130