Zobrazit minimální záznam

Conditional Probability Models in Transportation



dc.contributor.advisorDrchal Jan
dc.contributor.authorŠinkovec Petr
dc.date.accessioned2017-02-21T15:27:42Z
dc.date.available2017-02-21T15:27:42Z
dc.date.issued2016-05-16
dc.identifierKOS-587864708105
dc.identifier.urihttp://hdl.handle.net/10467/67362
dc.description.abstractModely podmíněné pravděpodobnosti v dopravě jsou základní součástí popisu multiagentních systémů s aplikací v reálném světě. Tyto modely se uplatňují při simulacích širokého spektra záležitostí v dopravní infrastruktuře. Práce porovnává několik přístupů pro hledání těchto modelů, prostřednictvím vyšetřování jejich přesnosti a výpočetní náročnosti. Reálná data a konkrétní typ modelu podmíněné pravděpodobnosti byly zadány. Optimalizační úloha, která je řešena v této práci se dá považovat za úlohu strojového učení s konkrétní chybovou funkcí a danou množinou trénovacích a validačních dat. Problém byl řešen umělými neuronovými sítěmi (ANN) ve formě sítí pro popis hustoty směsi pravděpodobnostních rozdělení (\textit{mixture density networks}). Další třída metod pro řešení byla založena na principech genetického programování (GP) - především symbolické regrese. Metody pro modelování podmíněného rozdělení pravděpodobnosti jsou pro přístup pomocí ANN dobře známé na rozdíl od přístupu pomocí GP. Tudíž se práce zaměřuje především na GP a jeho pokročilé techniky, prostřednictvím kterých bude snaha předčit ve výkonu přístup pomocí ANN.cze
dc.description.abstractConditional probability models in transportation are essential part of modeling real world multiagent systems. These models take part in simulation of a wide range of traffic infrastructure problems. This work discusses a comparison of several approaches to searching of these models by investigation of their achieved accuracy and computational requirements. Real world datasets and the particular form of conditional probability models were given. Optimization task in this work is considered as an instance of a supervised machine learning task with the specific error function and given datasets with training and validation data. The problem was solved with Artificial Neural Networks (ANN) by the method called mixture density networks. Another class of approaches was based on the principles of Genetic Programming (GP) -- especially the symbolic regression. The methods for conditional probability distribution modeling are well known for ANN approach unlike for the GP approach. Therefore the work is primarily focused on the GP and its advanced techniques that will try to surpass the ANN in its performance.eng
dc.language.isoENG
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmleng
dc.rightsVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.htmlcze
dc.subjectumělé neuronové sítě, evoluční algoritmy, symbolická regrese, genetické programování, optimalizace, podmíněné rozdělení pravděpodobnosticze
dc.subjectartificial neural networks, evolutionary algorithms, symbolic regression, genetic programming, optimization, conditional probability distributioneng
dc.titleModely podmíněné pravděpodobnosti v dopravěcze
dc.titleConditional Probability Models in Transportationeng
dc.typebakalářská prácecze
dc.typebachelor thesiseng
dc.date.accepted2016-06-22
dc.contributor.refereeKubalík Jiří
theses.degree.disciplineInformatika a počítačové vědycze
theses.degree.grantorkatedra kybernetikycze
theses.degree.programmeOtevřená informatikacze


Soubory tohoto záznamu








Tento záznam se objevuje v následujících kolekcích

Zobrazit minimální záznam