طراحی نرم‌افزار مبتنی بر مهندسی دانش جهت مدیریت تونل در شرایط برخط

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه علوم کامپیوتر،دانشکده ریاضی وعلوم کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران

2 استادیار گروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر و پزوهشکده حمل ونقل و سیستم های هوشمند، دانشگاه صنعتی امیرکبیر،‌ تهران

چکیده

استفاده بهینه از تجهیزات حمل­و­نقل در کشورهای پیشگام حمل­ونقل هوشمند امری حائز اهمیت می­باشد. تونل­ها یکی از ساختارهای حمل­ونقل می­باشند که شامل انواع مختلفی از سیستم­های هوشمند نظیر جت­فن­ها، چراغ­های ال­-ای-دی دوربین­های نظارت تصویر و ... می­باشند. وجود یک اتاق کنترل جهت مدیریت این سنسورها، تصمیم­گیری در شرایط مختلف را تسریع می­بخشد. در این مقاله به تشریح نحوه عملکرد این اتاق کنترل جهت مدیریت سیستم­های هوشمند درون تونل پرداخته شده است و بر اساس دیدگاه های مهندسی دانش، به استخراج تجربیات در مدیریت تونل اقدام شده است. این تجربیات به عنوان پایگاه دانش یک سیستم خبره تبدیل شده و از آن برای مدیریت تونل استفاده می‌شود. در بخش مهندسی دانش الگوریتم­های یادگیر به طور مداوم در حال اجرا هستند و ضمن استخراج تجربه، گزارش­هایی را جهت تحویل به مدیریت تونل فراهم می­آورند. در نهایت درخت نیوبیز در کمترین زمان ممکن و بیشترین دقت بهترین نتیجه را روی ارزیابی انجام شده روی تونل نیایش ارائه داده است.

کلیدواژه‌ها


عنوان مقاله [English]

KNOWLEDGE BASED SOFTWARE TO MANAGE TUNNEL FOR ONLINE CONDITIONS

نویسندگان [English]

  • Shadi Abpeykar 1
  • Mehdi Ghatee 2
1 PhD Student, Department of Mathematics and Computer Science, Amirkabir University of Technology.
2 Assistant Professor, Department of Mathematics and Computer Science and Research Institute for Traffic Engineering and Transportation Focused on Intelligent Transportation Systems, Amirkabir University of Technology.
چکیده [English]

Optimal usage of transportation equipments are very important issue in many countries which use ITS. Tunnel is one of the transportation structures which has many transportation systems as Jet fans, LED, CCTV,... so there is a need to have a control room in tunnel, which helps using these sensors, and make decisions in different critical situations rapidly. In this paper operation of control room to manage tunnel intelligent transportation system, is mentioned and then based on knowledge engineering rule extractions are discussed.  These rules are used as a database for expert system. Then they used for tunnel management. In knowledge engineering, learnable algorithms are run, and near extracting of rules, they made a report for tunnel administrator. As a result Naive bayes decision tree with lower process time and higher accuracy made a best result for Niayesh tunnel in Tehran.

کلیدواژه‌ها [English]

  • Intelligent Transportation Systems
  • Learnable Algorithm
  • Knowledge Engineering
  • Tunnel Management
 [1] .     Shah, N. et. al (2012). Optimization models for assessing the peak capacity utilization of intelligent transportation systems. European Journal of Operational Research, VOL. 216 No.1, 239-251
[2] .    Trullols, O. et. al (2010). Planning roadside infrastructure for information dissemination in intelligent transportation systems. Computer Communications, VOL. 33 NO.4, 432-442
[3] .     Ma, Zh. Et. Al (2009), Characteristics of traffic accidents in Chinese freeway tunnels. Tunnelling and Underground Space Technology, VOL. 24, 350- 355.
[4] .      Xu,Q. et. al (2013). Preliminary Study on Exhaust Efficiency of Smoke Management System in Tunnel Fires. Procedia Engineering, VOL. 52, 514- 519.
[5] .    Alvear, D. et. Al (2013).Decision support system for emergency management: Road tunnels. Tunnelling and Underground Space Technology, VOL. 34, 13- 21.
[6] .    Vashitz,G. et. Al (2008). In-vehicle information systems to improve traffic safety in road tunnels. Transportation Research Part F: Traffic Psychology and Behaviour, VOL. 11, 61-74.
[7] .    Ülengin,F., Topcu, I.,(2000). Knowledge-Based Decision Support Systems Techniques and Their Application in Transportation Planning Systems. Knowledge-Based Systems. VOL. 4, 1403- 1429.
[8] .    Darmoul, S., Elkosantini, S., (2014). Artificial immunity to control disturbances in public transportation systems: Concepts, mechanisms and a prototype implementation of a knowledge based decision support system. Knowledge-Based Systems. VOL. 68. 58- 76.
[9] .    Sagong, M.,( 2006). Induction of tunnel reinforcement selection rules by using decision tree technique. Tunnelling and Underground Space Technology. VOL. 21, 389.
[10] . Mahdevari, S., Torabi, S.R., (2012). Prediction of tunnel convergence using Artificial. Neural Networks. Tunnelling and Underground Space Technology. VOL. 28, 218–228.
[11] . Leo, S., Chen, Ch., Chang, Sh., (2001). Data mining for tunnel support stability: neural network approach. Automation in Construction, VOL. 10 NO. 4, 429–441.
[12] . Elvic, R. (2008). The predictive validity of empirical Bayes estimates of road safety. Accident Analysis & Prevention. VOL. 40, NO. 6, 1964- 1969.
[13] . Abpeykar, Sh., Ghatee, M., (2014). Supervised and unsupervised learning DSS for incident management in intelligent tunnel: A case study in Tehran Niayesh tunnel. Tunneling and Underground Space Technology. VOL. 42, 293- 306.
[14] . Demiral, C., Celikoglu, H., (2011). Application of ALINEA ramp control algorithm to freeway traffic flow on approaches to Bosphorus strait crossing bridges, Procedia - Social and Behavioral Sciences, VOL. 20, 364- 371.
[15] . Zhao, Y., Zhang, Y., (2008). Comparison of decision tree methods for finding active objects. Advances in Space Research. VOL. 41. 1955- 1959.
[16] . Zhang, H., Su, J., (2004). Naive Bayesian Classifiers for Ranking. Machine Learning: ECML 2004 Lecture Notes in Computer Science. VOL. 3201, 501- 512.
CAPTCHA Image