Modely podmíněné pravděpodobnosti v dopravě
Conditional Probability Models in Transportation
Type of document
bakalářská prácebachelor thesis
Author
Šinkovec Petr
Supervisor
Drchal Jan
Opponent
Kubalík Jiří
Field of study
Informatika a počítačové vědyStudy program
Otevřená informatikaInstitutions assigning rank
katedra kybernetikyDefended
2016-06-22Rights
A 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.htmlVysokoškolská 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.html
Metadata
Show full item recordAbstract
Modely 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. Conditional 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.
Collections
- Bakalářské práce - 13133 [778]