بررسی شبکه های اعصاب و کاربرد آن در مسائل حمل و نقل و ترافیک

حمید بهبهانی عضو هیئت علمی دانشگاه علم و صنعت

فرشید رضا حقیقی دانشجوی دکتری برنامه ریزی حمل و نقل

چکیده : استفاده از شبکه های اعصاب در سالهای اخیر رواج فراوانی داشته است و از تحقیقات وسیعتر و در زمینه های کاربردی برای حل بسیاری از مسایل دنیای بشری راه گشوده است. شبکه های اعصاب مصنوعی در تقابل با شبکه های اعصاب طبیعی از قابلیت و قدرت بالاتری در بسیاری از زمینه ها مانند پردازش خطی و حجم بالای پردازش برخوردار است. کاربرد شبکه های عصبی در زمینه مهندسی عمران نیز چند سالی است که رواج پیدا کردہ است و بسیاری از مسایل روزمره مهندسی عمران در زمانی که شیوه های سنتی در حال آنها ناتوان بوده اند،بوسیله اين شيوه نوین قابل حمل شده اند.استفاده از شبکه های اعصاب در زمینه های مختلف مهندسی عمران به دلیل قابلیت بالای آنها در رگرسیون، پیش بینی، طبقه بندی وابسته سازی داده ها و… رواج زیادی داشته است. در زمینه مسایل مهندسی عمران ،حل مسایل حمل و نقل و ترافیک نیز در دنیای امروز در بسیاری موارد بوسیله شبکه های اعصاب صورت می گیرد.

در مقاله بررسی شبکه های اعصاب و کاربرد آن در مسائل حمل و نقل و ترافیک سعی شده است تا با معرفی شبکه های اعصاب، کاربردهای مختلف شبکه های اعصاب در حل مسایل حمل و نقل و ترافیک عنوان شود.

کلید واژه : شبکه های عصبی مصنوعی، آموزش نظارت شده، آموزش بدون سرپرست

1- معرفی شبکه های اعصاب

بسیاری از علوم بشری با الهام از طبیعت بنیان نهاده شده اند. شبکه های اعصاب مصنوعی نیز یکی از همین علوم است که با الهام و تقلید از شبکه های اعصاب طبیعی (مغز) پایه ریزی شده است. گرایش به شبکه های عصبی تحت تاثیر عوامل مختلفی افزایش یافته است که مهمترین آنها استفاده از خصوصیات خاص پردازش اطلاعات در مغز است که دور از دسترس روشهای مرسوم برنامه نویسی قرار دارد. از جمله این خصوصیات می توان به قدرت یادگیری و تعمیم مثالها، امکان ارائه راه حل برای مسایلی که شرایط متغیر دارند، پردازش سریع اطلاعات و بوجود آوردن کامپیوترهایی که امکان کار با حجم زیادی محاسبات را دارند، اشاره نمود.
البته شبکه های عصبی را نمی توان به عنوان جایگزینی برای روشهای مرسوم محاسباتی و پردازشی بکار برد. بلکه باید به دیده یک مکمل بر روش های فوق نگریست. شبکه های اعصاب بعنوان یک ابزار ریاضی زمینه گسترده ای برای تحقیق و مطالعه می باشد که محقق با تجربه بیشتر، به سهولت می تواند از این ابزار جهت حل برخی مسایل خاص استفاده نماید.
شبکه های عصبی پردازنده های موازی گسترده ای هستند که از واحدهای پردازشگر ساده ای (نرون) تشکیل شده اند که توانایی ذخیره دانسته های تجربی و آماده سازی آن جهت کاربردهای بعدی را دارا می باشند. عملکرد شبکه های اعصاب در دو مورد مشابه مغز انسان است :

1 – دانسته ها از محیط اطراف و از طریق فرآیند آموزش به شبکه انتقال داده می شوند.
2- دانسته های فوق با استفاده از مقادیر گره ها که به نام وزن شناخته می شوند، ذخیره می شوند.

2- خصوصیات شبکه های اعصاب

تمام توانایی و قدرت کاربردهای شبکه های عصبی در محور سه خصوصیت زیر است:
   Adaptive & self- organizing -1:
   که قابلیت پردازش قوی را با الگوریتم های مربوطه ارائه می دهند.
   Nonlinear Network Processing -2:
   که قابلیت طبقه بندی، تخمین و خطاپذیری شبکه را زیاد می کند.
   Parallel processing -3:
که اغلب تعداد نرونهای درگیر در پردازش را با ارتباطات وسیع زیاد می کند.
تمام این مشخصه ها و خصوصیات شبکه های اعصاب است که کاربرد شبکه های عصبی را در زمینه وسیعی از علوم و دانشها سبب می شود؛ زیست شناسی، ستاره شناسی، شیمی، فیزیک، الکترونیک، مخابرات، صنایع دفاعی و هوانوردی تنها تعدادی از دامنه های تحقیق و توسعه شبکه اعصاب را فرامی گیرد.

کاربرد وسیع شبکه اعصاب در دامنه گسترده علوم در حالت کلی بیشتر در 5 زمینه پیش بینی، طبقه بندی، وابسته سازی داده ها، تصورسازی داده ها و فیلتر سازی داده ها قرار می گیرند.

3- کاربردهای عمومی شبکه های اعصاب

همانطور که گفته شد در حالت کلی انواع مختلف شبکه های اعصاب در  5 زمینه زیر کاربرد دارند :
1- پیش بینی : رایج ترین کاربرد شبکه های عصبی برای پروژه هایی است که پیش بینی از آنچه که   بیشترین احتمال وقوع را دارد، داشته باشند.
بطور مثال پیش بینی زمان تقریبی حملات قلبی و یا مغزی در بیماران بستری در یک بیمارستان بسیار مفید به نظر می رسد.

2- طبقه بندی : شامل طبقه بندی داده ها به طبقه های مختلف با مشخصات یکسان و الگوشناسی طرحها، و صداها و تصاویر مختلف می باشد.
بطور مثال دسته بندی انواع صداهای دریافت شده از یک سنسور صدا به دسته های مختلف با مشخصه های یکسان، یکی از کاربردهای شبکه های اعصاب با کاربرد طبقه بندی می باشد.

3– وابسته سازی داده ها : نوعی دیگر از طبقه بندی داده ها است که ارتباطی نیز بین داده ها برقرار می شود.
  بطور مثال شبکه ای که وابسته سازی داده ها را بخوبی یاد بگیر، قادر به انواع رگراسیون ها می باشد.
4– تصورسازی داده ها : نوعی ترکیبی از پردازش و طبقه بندی داده ها است.

بطور مثال با کاربرد تصورسازی داده ها می توان از میان دسته عظیمی از داده ها که در طبقه بندی های گوناگون و خصوصیات گوناگون قرار دارند یکسری داده ها را به بهترین نحو انتخاب کرد.

5- فیلتر سازی داده ها : فیلترینگ داده ها یکی از دیگر کاربردهای شبکه اعصاب است که شبکه را قادر به حذف یکسری داده های خاصی از میان دسته داده ها می کند.
بطور مثال شبکه ای موجود است که قادر است تا صداهای اکو را از داخل خطوط تلفن حذف کند.

تا به حال 5 زمینه اصلی کاربرد شبکه های اعصاب ذکر شد. همانطور که دیده می شود شبکه اعصاب با قابلیت و قدرت بالا قادر به انجام عملیات مختلفی می باشند؛ هرچند که باید دوباره اذعان کنیم، از ساختن چیزی شبیه مغز انسان از دیدگاه مهندسی خیلی دور هستیم. با اینحال شبکه های عصبی حقیقتا راه حل های مناسبی را برای حل مسایل مختلف در حوزه های تحقیقات مختلف در دنیای علوم، فنی – مهندسی ارائه نموده اند. مجموعه کاربردهای تخصصی شبکه اعصاب را می توان بصورت زیر برشمرد.

1- پردازش زبان : برنامه پردازش زبان شامل تبدیل کننده، گیرنده های شنوایی، مترجم خودکار، ماشینهایی برای ناتوانان جسمی که به درخواستهای گفتاری جواب می دهند، می باشد. تمام ابزار آلاتی که طوری برنامه ریزی شده اند تا به یک فرمان گفتاری جواب دهند از شبکه های عصبی استفاده می کنند. از دیگر کاربردهای پردازش زبان ساخت دستگاههای تبدیل متن به کلام و یا بالعکس است.

2- شناسایی حروف : شناسایی حروف و دستخط های اسکن شده یکی دیگر از قابلیت ها و کاربردهای شبکه اعصاب است.

استفاده از این کاربرد در بانکها و مؤسسات تجاری و شرکتهای کارتهای اعتباری می باشد که به سادگی بوسیله شبکه های عصبی می توان نمونه های امضای مشتریان را بطور مثال شناسایی کرد.
3- فشرده سازی اطلاعات : بوسیله شبکه های عصبی می توان به تراکم و جداسازی داده ها پرداخت. استفاده از شبکه جهت کاهش حجم اطلاعات 8 بیتی به 3 بیتی از دیگر کاربردهای شبکه ها هستند که می توانند عملیات معکوس را نیز انجام دهند. از دیگر کاربردهای شبکه های عصبی در این مقوله می توان به کدینگ و فشرده سازی تصاویر، فشرده سازی صحبت ها و مصوتها و فشرده سازی داده ها اشاره کرد.
4- شناسایی الگوها : شناسایی الگوها و تصاویر از دیگر کاربردهای شبکه های اعصاب است که در طراحی سیستمهای گوناگون روزمره بکار رفته است:
شناسایی بمبهای جاسازی شده در چمدانها و فرودگاهها، رتبه بندی سکه های کمیاب از طریق تصاویرگرفته شده از سکه ها از زوایای گوناگون، شناسایی سوژه ها در صنایع دفاعی، شناسایی اشعه های ایکس در علوم پزشکی
5- کاربردهای مالی : شبکه های عصبی تاخت و تازهای فراوانی در زمینه تجارت جهانی کرده اند. بانکداری، شرکتهای کارت اعتباری، مؤسسه های اعتباری مواردی از مؤسسه هایی هستند که از شبکه های عصبی با کاربرد تجاری بهره می برند.

از جمله کاربردهای شبکه های اعصاب در این زمینه می توان به مشاوره در امور تخصیص اعتبارات وام، مشاوره و امور تخصیص سرمایه در بانکهای مناسب، آنالیز امور مالی، پیش بینی قیمت ارز، پیش بینی قیمت سهام در بازار بورس، ارزیابی سیاستهای مختلف امور بیمه ای، پیش بینی بازار، سیستم های مشاوره های انبارداری کالاهای تجاری نام برد.
6- ساخت وسایل صنعتی، پزشکی و امور حمل و نقل : کنترل پروسه های مختلف و پیاده سازی دستگاهها، آنالیز و طراحی محصولات صنعتی خانگی، ماشین پیش بینی خط و عیب یاب، آنالیز کیفیت جوشکاری، پیش بینی کیفیت کاغذ، مدلسازی دینامیکی سیستم های صنعتی و شیمیایی، آنالیز سلولهای سرطانی ، آنالیز سیگنالها، بهبود کیفی امور بیمارستانها، آنالیز در کاهش هزینه های امور بیمارستانی، بهینه سازی زمان جراحی و عمل پیوند، سيستم های اتوماتیک حرکت وسایل نقلیه، سیستم های پیش بینی و حفاظت سیستم های متحرک و اعمال ترمز، جهت یابی و تشخیص مسیرها.
البته آنچه که شبکه های عصبی را در آینده محبوب تر می سازد، سرعت بالای کامپیوترها و الگوریتم های یادگیری سریعتر می باشد که استفاده از شبکه های عصبی را در مسایل صنعتی با محاسبات زیاد یاری می نماید.

بطور کلی باید در کاربرد شبکه های اعصاب به نکات زیر توجه نمود :

. اینکه آیا یک شبکه عصبی تکنولوژی موجود را جایگزین می کند و تحت تأثيرات کوچک در      عملکرد باعث ایجاد نتایج اقتصادی بزرگ می شود؟
. اینکه آیا استفاده از شبکه های عصبی در جایگزینی تکنولوژی های موجود که پیشرفت های ناکافی داشته اند سبب آن می شود که سیستم ترقی پذیر باشد؟
. اینکه آیا شبکه های عصبی در حل مشکلات، هماهنگ با سیستم های موجودند و می توان یک جزء از المان سیستمی را با شبکه عصبی جایگزین کرد که احتمال موفقیت را افزایش دهد؟

4- کاربردهای شبکه اعصاب در ترافیک و حمل و نقل

         همانطور که گفته شد بهترین کاربرد شبکه های اعصاب در حل مسائل با مقادیر بالا و حجم بالای داده ها و یا کاربردهای استراتژیکی مهم می باشد. حل مسایل حمل و نقل و ترافیک به دلیل سرو کار داشتن این رشته از مهندسی عمران با حجم بالای آمار و داده های دریافتی از سنسورها و دریافت کننده های مختلف (نظیر دوربین ها، عکسهای هوایی، آمار گیری های میدانی و ..) به وسیله شبکه های عصبی افزایش پیدا کرده است. در ادامه به یکسری از کاربردهای شبکه های اعصاب در حل مسایل حمل و نقل و ترافیک اشاره می شود.

1- کاربرد شبکه های عصبی برای پیش بینی استراتژیهای کاهش سفر  

برنامه ای با نام TDM توسط لوایحی در سالهای 1990 و 1991 در کشور آمریکا در لوس آنجلس پایه ریزی شد که از شبکه های عصبی برای رسیدن به هدف استفاده کردند. متغیر های مدل تغییرات در تعداد متوسط مسافران (AVR) در هر منطقه می باشد. این تغییرات در 7 دسته تقسیم بندی شده و قابلیت مدل با آزمایش ارتباط یابی خطی بین نتایج واقعی و نتایج پیش بینی شده و درصد مقادیری که درست طبقه بندی شده اند مشخص می شود. مدلهای خطی (رگراسیون و آنالیز تفکیک ) نیز به موازات این برنامه با استفاده از همان داده ها ساخته شدند.

2– استفاده از شبکه عصبی برای بهینه سازی چراغ های راهنمایی در نزدیکی گذرگاههای راه آهن درجه بندی شده

         شبکه ای طراحی شد تا تاخیر زمانی ترافیک را بر پایه مدلهای تاخیر هدف مشخص کند. آموزش شبکه انجام شد و دقت قابل ملاحظه ای بین داده های آموزشی و داده های بازیابی بدست آمد. الگوریتم بهینه سازی که استفاده شده از مخلوط از دو برنامه C++/Fortran استفاده می کرد. از اعداد تخمیمنی تاخیر و نتایج شبکه برای تعیین سطح سرویس تقاطعها استفاده شد.

3- استفاده از شبکه های عصبی و کاربردهای GIS
         GIS معمولا حاوی اطلاعاتی است که از ماهواره ها و سنسورهای تصاویر دریافت می شود. آنالیز این اشکال و تصاویر شامل طبقه بندیهایی می باشد که می تواند بوسیله الگوشناسی تصاویر صورت گیرد.
شکل، رنگ مسیر اتصال جزئیات مرزها و قطعه زمینها همه جزو جزئیات آنالیز سیستم هستند که شبکه عصبی با وزن گذاری روی آنها به آنالیز تصاویر می پردازد.

4- استفاده از شبکه های عصبی برای تخمین تغییرات حجم ترافیک
      در طول روز، جریان ترافیک متغیر است و به وضعیت جوی، شرایط شبکه راهها و غیره بستگی دارد. شبکه های عصبی می توانند تخمین زننده های خوبی برای تغییرات حجم ترافیک با توجه به شرایط در طول روز باشند.

5- استفاده از شبکه های عصبی برای پیش بینی زمان سفر
       در سانفرانسیسکو برای ساخت مدلی برای زمان سفر واقعی در طول بزرگراههای ایالت از یک شبکه عصبی استفاده شده است.  

اطلاعات ورودی شبکه از سنسورهای لوپ و اطلاعات برگرفته از GPS “ها به دست می آید. این سنسورها در طول 26 مایل از بزرگراهها نصب شدند. ورودی های مدل شبکه عصبی، سرعت، حجم و درصد اشغال بودند که سپس برای پیش بینی زمان سفر بکار برده می شوند.

       سپس از سیستم GPS برای آزمایش سیستم در منطقه دیگر استفاده شد. سپس نتایج مدل عصبی و GPS با نتایج مدل های استاندارد زمان سفر مقایسه شدند.

6-استفاده از شبکه های عصبی برای کنترل سیگنالهای ترافیکی
       با استفاده از شبکه های عصبی، تنظیم فازهای چراغ راهنمایی با توجه به مشاهدات اتوماتیکی صورت می گیرد و به این طریق تأخیر زمانی کاهش می یابد.

7- استفاده از شبکه های عصبی برای استراتژی های انتخاب خطوط در بزرگراهها

       انتخاب خطوط در مسیر توسط رانندگان در بزرگراهها به عوامل مختلفی بستگی دارد؛ مانند سرعت خود راننده، سرعت اتومبیل های کناری، موقعیت آنها، عرض خطوط و غیره که مجموعه ای از این موارد بعنوان ورودی شبکه ای بکار می روند که گزینش خط های مقصد را انجام می دهد.

8- استفاده از شبکه های عصبی برای طبقه بندی و مکان یابی علائم راهنمایی

     استفاده از علائم در طول جاده برای راهنمایی و اطلاع رسانی رانندگان بسیار مهم می باشد. استفاده از رنگ مناسب و شکل در شناسایی علائم راهنمایی از محیط طبیعی اطراف، بسیار مهم می باشد. استفاده از شبکه های عصبی برای شناسایی و مکان یابی این علائم نیز یکی از کاربردهای شبکه است.

9- استفاده از شبکه های عصبی برای مدلهای تولید سفر

     مطالعات انجام گرفته تا کنون بیان می کند که سفر بستگی به عوامل اقتصادی و اجتماعی از قبیل درآمد، جمعیت و امکانات اقتصادی و اجتماعی دارد و برای یک منطقه مشخص تولید سفر می تواند از عوامل نام برده شده تأثیر گیرد. هدف در آنالیز تولید سفر به دست آوردن یک مدل ریاضی است که بتوان به کمک آن مقدار ترافیک در یک منطقه را بر پایه مدل تولید سفر برآورد نمود. از یک شبکه آدالاین با چهار نرون ورودی و یک واحد پردازشگر استفاده شده است. ورودی ها عبارت بودند از:

تعداد خانه های دارای یک خانوار، خانوارهای مقیم دائمی، تعداد واحدهای دارای چندین خانوار، تعداد خانوارهای دارای یک ماشین شخصی که در انتها خروجی مدل عبارت بود از نسبت سفره

10- پیش بینی جریان ترافیک

ویژگی های شبکه اعصاب شرایط عالی را در جهت پیش بینی جریان ترافیک پدید آورده است .بعد از مراحل آموزش و تست شبکه، شبکه قادر بود جریانهای کوتاه ترافیکی را برآورد نماید.

11- کاربرد شبکه های عصبی در IVHS
      IVHS با سیستم های هوشمند بزرگراهها امروزه از آخرین تکنیکها و نتایج به دست آمده از تحقیقات هوش مصنوعی استفاده می کند که شامل چهار بخش پیشرفته مدیریت ترافیک، اطلاع رسانی به راننده، کنترل ماشین و کاربردهای تجاری ماشین می باشد. IVHS شامل در بخشهای پردازش اطلاعات و مدلسازی پیشرفته از تکنیکهای مدلسازی برای ایجاد ارتباط بین داده های ورودی و خروجی مدل استفاده می کند که توسط شبکه اعصاب تحت پوشش و پشتیبانی قرار می گیرد.

12- استفاده از شبکه های عصبی برای محدود سازی کاربری زمین با توجه به ظرفیت

13- استفاده از شبکه عصبی برای پیش بینی جریان ترافیک در تقاطعات

14– استفاده از شبکه عصبی برای پیش بینی زمان رسیدن قطارها 

5- نتیجه گیری و ارائه پیشنهادات

       همانطور که در این مقاله به اختصار شرح داده شد، شبکه های عصبی مصنوعی بر پایه اصول و سازوکار محاسباتی مغز پایه ریزی شده تا بتوانند تا جای ممکن به توانایی و قدرت پردازش مغز نزدیک شود.

       کاربرد شبکه های عصبی در علوم مختلف به واسطه قابلیت و قدرت بالای آنها در جهان بطور روزافزون در حال پیشرفت است. در حالیکه در کشور ما ایران استفاده از شبکه های عصبی تنها به چند سال برمی گردد و آنهم محدود به استفاده در رشته هایی خاص است. به وجود متخصصان ایرانی در رشته های مختلف هوش مصنوعی، می توان با استفاده از دانش و تجربه آنها در زمینه های مختلف مهندسی عمران و خصوصا حمل و نقل و ترافیک بهره جست و با ترکیب روشهای نوین حل مسائل و روشهای سنتی به حل مسائل مختلف ترافیک و حمل و نقل همگان با دیگر کشورها پرداخت.

 در صورتی که از مطالعه مقاله بررسی شبکه های اعصاب و کاربرد آن در مسائل حمل و نقل و ترافیک لذت بردید می توانید آن را در شبکه های اجتماعی برای دوستان خود ارسال کنید .