Tóm tắt Luận văn Thạc sĩ Kỹ thuật phần mềm: Tối ưu việc lựa chọn số đầu vào khi áp dụng mạng nơron nhân tạo trong bài toán dự đoán điểm đích của một chuyến taxi

Trong đề tài này, tác giả đề xuất phương pháp lựa chọn số đầu vào tối ưu trong bài toán dự đoán điểm đến của một chuyến taxi khi cho trước tập các điểm ban đầu. Đề tài hoàn toàn có thể áp dụng cho bài toán dự đoán số lượng đầu ra cố định (fixed-length output) từ số lượng đầu vào thay đổi (variablelength input). Mời các bạn cùng tham khảo luận văn.
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận văn Thạc sĩ Kỹ thuật phần mềm: Tối ưu việc lựa chọn số đầu vào khi áp dụng mạng nơron nhân tạo trong bài toán dự đoán điểm đích của một chuyến taxiĐẠI HỌC QUỐC GIA HÀ NỘITRƯỜNG ĐẠI HỌC CÔNG NGHỆNGUYỄN TUẤN ANHTỐI ƯU VIỆC LỰA CHỌN SỐ ĐẦU VÀO KHI ÁP DỤNGMẠNG NƠRON NHÂN TẠO TRONG BÀI TOÁN DỰĐOÁN ĐIỂM ĐÍCH CỦA MỘT CHUYẾN TAXINgành: Kỹ thuật Phần mềmChuyên ngành: Kỹ thuật Phần mềmMã số: 8480103.01TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀMNGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS PHẠM NGỌC HÙNGTS. TRẦN TRỌNG HIẾUHà Nội, 10/20181CHƯƠNG 1: MỞ ĐẦU1.1. Hoàn cảnhNền công nghiệp taxi đang thay đổi nhanh chóng, các đối thủ mới cùng những công nghệ mớiđang thay đổi cách các doanh nghiệp taxi vận hành. Sự thay đổi này mang lại nhiều thuận lợi nhưngnó cũng gây nên nhiều vấn đề. Một thay đổi lớn đang diễn ra là các công ty taxi chuyển từ hệ thốngđiều phối taxi bằng bộ đàm sang hệ thống điều phối điện tử. Với hệ thống mới, mỗi taxi sẽ được gắnmột thiết bị GPS để xác định vị trí cũng như trao đổi thông tin liên lạc với trung tâm. Hệ thống điềuphối điện tử giúp cho việc xác định vị trí taxi đã đi qua và hiện tại là dễ dàng nhưng không biết rõ địađiểm chiếc taxi đang đi tới vì thông thường, lái xe sẽ không nhập điểm đến của hành trình. Đồng thờiphương thức thông báo về khách gọi xe mới cho các taxi cũng thay đổi, từ việc broadcast thông tincho tất cả các xe bằng việc hệ thống sẽ tự động tìm một xe phù hợp nhất để yêu cầu đón khách. Do đónếu biết được gần đúng vị trí mà mỗi taxi đang hướng tới thì hệ thống sẽ có thể tìm được chiếc taxiphù hợp nhất [15].1.2. Đặt vấn đề và đề xuất phương phápMột cuộc thi về dự đoán điểm đến của một hành trình taxi đã được tổ chức vào năm 2015 vớichiến thắng thuộc về đội MILA lab ở Canada bằng việc sử dụng mạng nơron nhân tạo nhiều tầngtruyền thẳng. Nhưng một vấn đề gặp phải nằm ngay tại tầng đầu vào là số lượng các điểm GPS màtaxi đã đi qua là không cố định, điều này thì không phù hợp với điều kiện kích thước tầng đầu vào củamạng nơron nhiều tầng là phải cố định. Do đó các tác giả đã cố định số lượng đầu vào bằng cách chỉlấy k điểm đầu tiên và k điểm cuối cùng của chuyến đi. Với mô hình chiến thắng trong cuộc thi, k cógiá trị là năm. Tuy nhiên, trong bài báo các tác giả chưa đề cập đến việc làm thế nào để xác định giá trịk tối ưu nhất [1].Trong đề tài này, tôi đề xuất phương pháp lựa chọn số đầu vào tối ưu trong bài toán dự đoán điểmđến của một chuyến taxi khi cho trước tập các điểm ban đầu. Đề tài hoàn toàn có thể áp dụng cho bàitoán dự đoán số lượng đầu ra cố định (fixed-length output) từ số lượng đầu vào thay đổi (variablelength input).1.3. Tổng quan luận vănPhần còn lại của luận văn được trình bày như sau.Chương 1 giới thiệu về hoàn cảnh, đặt vấn đề, mô tả phương pháp đề xuất, và cách nội dung trongluận văn được trình bày.Chương 2 trình bày về kiến thức nền tảng về mạng nơron nhân tạo truyền thẳng nhiều tầng.Chương 3 trình bày về bài toán dự đoán điểm đích của chuyến taxi và phương pháp đội MILA labgiải quyết vấn đề cũng như bài toán tìm số lượng đầu vào tối ưu cho mạng nơron nhân tạo nhiều tầngtruyền thẳng để cải tiến mô hình của đội MILA lab..Chương 4 trình bày mô hình đề xuất, xây dựng thử nghiệm và kết quả thực nghiệm của phươngpháp.Phần kết luận đưa ra kết quả của luận văn và cũng như triển vọng và hướng nghiên cứu trongtương lai.2CHƯƠNG 2: MẠNG NƠRON NHÂN TẠO TRUYỀN THẲNG NHIỀU TẦNG2.1. Mạng nơron nhân tạoMạng nơron nhân tạo (artificial neural network) là một mô hình tính toán xử lý thông tin bằngcách mô phỏng theo cách thức hoạt động của hệ nơron sinh học trong bộ não con người [2].Mạng gồm một nhóm các phần tử (nơron nhân tạo) kết nối với nhau thông qua các liên kết (liênkết được đánh trọng số). Nó làm việc như một thể thống nhất bằng cách truyền thông tin theo các kếtnối và tính giá trị mới tại các nơron. Một mạng nơron nhân tạo sẽ được cấu hình để giải quyết một vấnđề cụ thể nào đó như nhận dạng mẫu, phân loại dữ liệu, dự đoán,... Nó hoạt động thông qua một quátrình học từ tập các mẫu huấn luyện. Việc học về bản chất chính là quá trình đưa dữ liệu vào mạngnơron và thực hiện hiệu chỉnh trọng số liên kết giữa các nơron thông qua kết quả có trước trong mẫu.Mô hình toán học tiêu biểu cho một nơron nhân tạo được minh họa như hình 2.1 sau:Wk1x1Hàm truyềnx2∑Wk2Đầu ra....xNWkNbkTrọng số liên kếtNgưỡngĐầu vàoykf(.)Hàm tổngHình 2.1 Mô hình toán học của một nơronCấu trúc của một nơron k được mô tả toán học bằng cặp biểu thức sau: ...