Transport Technologies
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/51077
Browse
Search Results
Item Evaluation of transport system configuration by efficiency indicators(Видавництво Львівської політехніки, 2022-03-01) Mateichyk, Vasyl; Śmieszek, Miroslaw; Kostian, Nataliia; Cherkasy State Technological University; Rzeszow University of TechnologyРобота присвячена процесу оцінювання ефективності транспортної системи в умовах міської мобільності. Підхід базується на використанні системи індикаторів ефективності із застосуванням нейрокомп’ютерних технологій. Запропоновано узагальнені моделі для отримання вектору індикаторів ефективності та інтегрального індикатору ефективності у вигляді комп’ютерних нейронних мереж. Показано, що для фіксації факту падіння значень індикаторів до порогового та нижче достатньо застосовувати нейронну мережу, побудовану на перцептронних нейронах. Багатошарова модель для визначення інтегрального індикатора дозволяє оцінити важливість окремо взятих індикаторів у складі системи моніторингу ефективності заданої конфігурації транспортної системи. Проведено експериментальне дослідження двадцяти п’яти станів транспортної системи різних конфігурацій в містах Польщі та України. Визначено ключові індикатори ефективності системи, а саме, індикатор енергоефективності транспортного засобу як елементу системи, індикатор екологічності та індикатор безпеки руху. Виходячи з результатів експериментального дослідження запропоновано структуру нейронної мережі для оцінювання енергоефективності заданих конфігурацій транспортної системи. З метою навчання та тестування отриманої мережі було використано процедуру коригування порогового значення функції активації та нормалізацію значень масиву вхідних параметрів транспортної системи. Реалізацію побудованої мережі здійснено із використанням Visual Studio 2019 із застосуванням мови C++. Виконано налаштування мережі на визначення оцінки енергоефективності з заданою точністю шляхом заміни перцептронного нейрону на звичайний з сигмоїдальною функцією активації. Випадковий характер вибору конфігурації та початкових значень вагових коефіцієнтів дозволив отримати модель з точністю реалізації на контрольній вибірці в діапазоні від 90 до 98.7 % при швидкості навчання 0.1.