NAPOVEDOVANJE INTERVENCIJSKIH DOGODKOV Z UMETNO INTELIGENCO INTERVENTION
Povzetek
V članku sta razvita dva matematična modela napovedovanja intervencijskih dogodkov za odločitve upravljanja, ki so utemeljene na inteligentnih, kvantitativnih analizah. Obravnavano je področje napovedovanja števila interventnih dogodkov Gasilske brigade Maribor z umetno inteligenco. Učne množice podatkov so bile pridobljene iz baz podatkov SPIN in ARSO, obdelane pa so v programskem jeziku Python. Modeli napovedovanja so programirani v programskem paketu MATLAB. Cilja sta učiti umetni nevronski mreži LSTM in NARX napovedovati dogodke, rezultate pa z matrikami ocenjevanja natančnosti medsebojno primerjati. Rezultati napovedovanja nekaterih učnih množic so bili zaradi majhnih korelacijskih povezav slabi, zato teh dogodkov nismo mogli napovedovati. Požarne intervencije in naravne nesreče so dale dovolj dobre rezultate korelacijskih analiz, zato so uporabljene pri razvijanju nevronskih mrež. Glede na rezultate zbranih modelov menimo, da so nevronske mreže primerne za napovedovanje interventnih dogodkov.
Literatura
Agencija RS za okolje, Arhiv meteoroloških podatkov Agencije RS za okolje. https://meteo.arso.gov.si/met/sl/archive/.
Bernico, M., 2008. Deep Learning Quick Reference: Useful hacks for training and optimizing deep neural networks with TensorFlow and Keras. Birmingham: Packt Publishing.
Diaconescu, E., 2008. The use of NARX Neural Networks to predict Chaotic Time Series. Researchgate. https://www.researchgate.net/publication/228571349_The_use_of_NARX_neural_networks_to_predict_chaotic_time_series, 12. 6. 2020.
Géron, A., 2019. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools and Techniques to Build Inteligent Systems, 2. izdaja. Sebastopol: O‘Reilly Media, Inc, USA.
Hochreiter, S., Schmidhuber, J., 1997. Long short-term memory, Neural Computation, let. 9, št. 8, str. 1735–1780.
Hudson, B., Demuth, H., 2004. Neural Network Toolbox User‘s Guide. The MathWorks inc. https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUKEwj0r8vog77rAhUHtosKHRo6Cv8QFjABegQIBRAB&url=http%3A%2F%2Fcda.psych.uiuc.edu%2Fmatlab_pdf%2Fnnet.pdf&usg=AOvVaw2J9KviZGU6yuCxHpP9GUlb, 15. 7. 2020.
Koloğlu, Y., Birinci, H., Kanalmaz, S. I., Özyılmaz, B., 2018. A Multiple Linear Regression Approach For Estimating the Market Value of Football Players in Forward Position, Abdullah Gül University Industrial Engineering Department.
Marquardt, D., 2012. An Algorithm for Least-Squares Estimation of Nonlinear Parameters, SIAM Journal on Applied Mathematics, let. 11, št. 2, str. 431–441, junij 1963.
Montgomery, D., Peck, E., Vinning, G., 2012. Introduction to Linear Regression Analysis, 5. izdaja. New Jersey: Wiley.
Mukaka, M., 2012. Statistics Corner: A guide to appropriate use of Correlation coefficient in medical research. Malawi Medical Journal, let. 12, št. 24, str. 69–71.
Sunthornjittanon, S., 2015. Linear Regression Analysis on Net Income of an Agrochemical Company in Thailand, Portland State University.
Tsungnan, L., Horne, B., Tino, P., Giles, C., 1999. Learning long-term dependencies in NARX recurrent neural networks, IEEE Transactions on Neural Networks, let. 7, št. 6, str. 1329–1351.
URSZR, 2020. SPIN – Sistem za poročanje o intervencijah in nesrečah. https://spin3.sos112.si.
Yang, G., Meng, J., 2005. NARMAX time series model prediction: feedforward and recurrent fuzzy neural network approaches, Fuzzy Sets and Systems, let. 150, št. 2, str. 331–350.
Prenosi
Objavljeno
Številka
Rubrike
Licenca
To delo je licencirano pod Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 mednarodno licenco.
Članki so na voljo javnosti pod licenco Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna (CC BY-NC-ND 4.0).
