InLab FIB, მობილურ კომპანია Autocorb-სა და ICT პროგრამული უზრუნველყოფის შემქმნელ კომპანია Geoactio-სთან ერთად, ამჟამად თანამშრომლობს პროექტზე, სახელწოდებით Intelibus, ავტობუსებში მგზავრების დატვირთვის პროგნოზირების სისტემის შესაქმნელად.
Covid-19 პანდემიის გამო, ამ პროექტის განხორციელება დაჩქარდა, რადგან მას შეუძლია ხელი შეუშალოს ინფექციების გავრცელებას და ხალხის ჭარბი ნაკადის შექმნას: თუ ხალხი წინასწარ იქნება ინფორმირებული, თუ რამდენად სავსეა საზოგადოებრივი ტრანსპორტი, მომხმარებლებს შეეძლებათ აირჩიონ მგზავრობა ავტობუსებით, რომლებიც უფრო ცარიელია.
სტატიაში განვმარტავთ, თუ რა პროგნოზირების მეთოდებსა და ალგორითმებს ვიყენებთ და ჩვენ ვისარგებლებთ შესაძლებლობით, გავეცნოთ მანქანური სწავლების მოდელების დეტალებს, როგორიცაა ნეირონული ქსელები.
ხელოვნური ინტელექტის გამოყენებით, მრავალი ბერკეტი არსებობს ასეთი ტიპის პრობლემების გადასაჭრელად: სიმულაციის, მოთხოვნის შეფასების, ევრისტიკის დანერგვის, მანქანური სწავლების/ღრმა სწავლის გამოყენებით და ა.შ. რადგან სატრანსპორტო კომპანიები ხშირად ინახავენ თითოეული ავტობუსის მონაცემებს და მოგზაურობის ისტორიას, ეს ხსნის პრობლემის მოგვარების შესაძლებლობას ზედამხედველობითი სწავლით, რაც გულისხმობს მომზადების მოდელებს, რომლებზეც მოცემულია ეტიკეტი, რისი პროგნოზირებაც გვინდა. Intelibus პროექტში გვაქვს მონაცემები 3D კამერებიდან ავტობუსების შიგნით, რომლებიც ითვლიან თოთოეულ გაჩერებაზე ამომსვლელ და ჩამსვლელ ადამიანებს. თუ ამ მონაცემებს სხვადასხვა ავტობუსის ხაზების, კალენდრის ინფორმაციისა და მგზავრთა ვალიდაციის ისტორიებთან ერთად მოვათავსებთ, უკვე გვექნება საჭირო მონაცემები, რათა შევძლოთ ნეირონული ქსელების მომზადება, რომლებიც პროგნოზირებენ დატვირთვას, პირბადის გამოყენებას, დისტანცირებას თითოეულ გაჩერებაზე.
გაიარე რეგისტრაცია ახლავე! მიღება დაწყებულია ახალი ჯგუფებისთვის, ნუ გაუშვებ შენს შანსს ხელიდან!
რა არის მომზადების მოდელი?
როდესაც ჩვენ ვსაუბრობთ ნერვული ქსელის მომზადებაზე, სინამდვილეში რაც გვინდა არის ფუნქციის პარამეტრების (ნეირონული ქსელის) რეგულირება ისე, რომ მან შეისწავლოს კონკრეტული დავალება, ანუ ისწავლოს შეყვანის მოთავსება გაყვანაზე. ეს მიიღწევა დიდი რაოდენობით მონაცემების გამოყენებით, ამ მიმართულებით მოდელის პროგნოზირების შეცდომის შესამცირებლად. გახსენებთ ეს „ჯაჭვურ წესს“ რომელიც ისწავლეთ და რომელსაც გეგონათ აღარასდროს მოისმენდით? ნეირონული ქსელის მომზადების პროცესი ძირითადად ემყარება ამ წესის ჭკვიანურ გამოყენებას, რაც საშუალებას გვაძლევს გამოვთვალოთ თუ როგორ უნდა შეიცვალოს ქსელის პარამეტრები, რომ მინიმუმამდე შემცირდეს პროგნოზირების შეცდომა.
ჩვენს შემთხვევაში, გვინდა, რომ მოდელმა ისწავლოს ავტობუსების დატვირთვის გამოთვლა თითოეულ გაჩერებაზე, რომლებსაც ისინი გაივლიან. ამრიგად, ჩვენ მოდელს, როგორც შეყვანას უნდა მივანიჭოთ ავტობუსის, გაჩერების, კალენდრის და ა.შ. ინფორმაციის ციფრული გამოსახვა (ვექტორები) და გვინდა, რომ უკან დაგვიბრუნდეს იქ მყოფი მგზავრების რაოდენობა, როგორც ნაჩვენებია მოცემულ სურათზე. რამდენიმე თვის წინა შედეგებით უკვე შეგვიძლია მივიღოთ პროგნოზირების საკმაოდ კარგი სიზუსტე.
ნეირონული ქსელების გამოყენების სიკეთე ისაა, რომ ისინი საშუალებას გვაძლევს, ერთი მოდელის საშუალებით, შეგვეძლოს პროგნოზირება ნებისმიერ ავტობუსის ხაზზე თითოეულ გაჩერებაზე, თითოეული ხაზისთვის მოდელის ან სპეციალური ალგორითმის შექმნის გარეშე. ეს ამარტივებს განხორციელების სირთულეს, როდესაც საქმე ეხება წარმოებას და ასევე საშუალებას იძლევა ადვილად იქნას გამოყენებული სხვა ქალაქებში, სადაც ხაზები და გაჩერებები სრულად განსხვავებული იქნება.
განმეორებითი ნეირონული ქსელები
თუმცა, ყველაფრის უკეთ გაკეთებაც შეგვიძლია. ჩვენს მიერ ახლახან წარმოდგენილი მოდელი არ ითვალისწინებს წინა გაჩერების წინა დატვირთვას, რაც ძალზე მნიშვნელოვანი ინფორმაციაა და ამის ცოდნამ შეიძლება დიდი გავლენა მოახდინოს შემდეგი გაჩერების დატვირთვაზე. ამ ტიპის პრობლემებისთვის, რომლებიც განიხილება თანმიმდევრულად, არსებობს ნეირონული ქსელების ტიპი, რომელსაც განმეორებითი ქსელები ეწოდება (განმეორებითი ნეირონული ქსელები), რომლებიც საშუალებას გვაძლევს ვიმუშაოთ დროის სერიებთან, გამოყენების წინა მნიშვნელობების გათვალისწინებით შემდეგი გაჩერების პროგნოზირებისთვის. იმისათვის, რომ წარმოდგენა შეგვექმნას, როგორ მუშაობს ისინი, შემდეგ სურათზე მოცემულია გამარტივებული დიაგრამა იმის შესახებ, თუ როგორ მიედინება ინფორმაცია შემომავალი მონაცემებიდან გამავალ მონაცემებამდე. მოკლედ, რასაც ისინი აკეთებენ, არის წინა გაჩერების ინფორმაციის კოპირება კომპაქტური გზით, რომ საბოლოოდ მიიღონ ვექტორი (ht), რომელიც შეიცავს თანმიმდევრობით ყველა შეკუმშულ ინფორმაციას, საიდანაც შეგვიძლია შემდეგი გამოყენების მნიშვნელობის პროგნოზირება. ამრიგად, ამ ნეირონული ქსელის არქიტექტურით უკეთეს შედეგებს ვიღებთ, ვინაიდან მოდელს შეუძლია შეიტანოს დროთა განმავლობაში მგზავრების გამოყენებების ცვლილებები და ნიმუშები.
და როგორ ხდება პროგნოზირება? შემდეგ სურათზე ჩვენ ვხედავთ იმის მაგალითს, თუ რას პროგნოზირებს მოდელი კონკრეტული ავტობუსისთვის: x ღერძზე გვაქვს დროის ღერძი და y ღერძი წარმოადგენს ავტობუსის დატვირთვას მგზავრებით. ჩვენ შეგვიძლია დავინახოთ, თუ როგორ იწყება დატვირთვა მგზავრობის დასაწყისში 0-დან, მიდის ზემოთ და ეშვება ისევ 0-ზე, როდესაც მომსახურება დასრულდება და ა.შ. (როგორც ვხედავთ "გორაკებში", რომლებიც გრაფაში იქმნება). ლურჯი ხაზი აღნიშნავს რეალურ დატვირთვას, რომელსაც ისტორიული მონაცემებიდან ვიღებთ, ხოლო ნარინჯისფერი ხაზი წარმოადგენს იმას, რაც ნეირონულმა ქსელმა შეისწავლა (და იასამნისფერი ხაზები არის სულ ახალი პროგნოზები მგზავრობის შესახებ, რაც არ გამოყენებულა სწავლების დროს).
დასასრულს, ჩვენ ვხედავთ, რომ ნეირონულ ქსელებზე დაფუძნებული ეს მოდელები ძალიან მრავალმხრივია და საშუალებას გვაძლევს, გადავჭრათ მრავალფეროვანი პრობლემები ძალიან ეფექტურად და ზუსტად, საჭირო მონაცემების არსებობის შემთხვევაში.
შემოგვიერთდით სტეპერების დიდ ოჯახში!
IT Academy Step ლიდერი IT სფეროში , ახლა უკვე 100+ ფილიალით!
