Đặt vấn đề Hiện nay ở trên thế giới đã có một số mô hình dự báo nhƣ mô hình dự báo dựa trên thống kê, mô hình dự báo chuỗi thời gian, … tuy nhiên việc tiếp tục nghiên cứu và ứng dụng các kỹ thuật mới trong dự báo là cần thiết và có ý nghĩa. Nhƣ chúng ta đã biết mạng nơron nhân tạo là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con ngƣời. Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con ngƣời đều đƣợc tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới đƣợc tạo ra nhằm giải quyết một bài toán định trƣớc.
Mạng nơron bao gồm các nơron đƣợc liên kết với nhau bằng các trọng số theo một cấu trúc xác định. Mạng nơron có thể đƣợc huấn luyện để thực hiện các nhiệm vụ khác nhau. Quá trình huấn luyện sẽ thiết lập bộ trọng số cho các liên kết giữa các nơron trong mạng. Mạng nơron nhân tạo đƣợc chia ra làm nhiều loại, trong đó ngƣời ta quan tâm nhiều đến cấu trúc mạng nơron và giải thuật huấn luyện, về cấu trúc có thể chia ra các loại mạng nhƣ mạng nơron một lớp, nhiều lớp, mạng nơron hồi quy, mạng nơron truyền thẳng.
Mỗi cấu trúc mạng nơron có thể sử dụng để giải quyết một số bài toán nào đó, ví dụ nhƣ mạng nơron 1 lớp có thể dùng để phân lớp dữ liệu, mạng nơron truyền thẳng nhiều lớp có thể dùng để nhận dạng hoặc dự báo. Do mạng nơron truyền thẳng có khả năng dự báo nên đề tài này sẽ tập trung nghiên cứu xây dựng mô hình dự báo sử dụng mạng nơron. 2 Trong những năm gần đây vấn đề ách tắc giao thông trên địa bàn, tỉnh Phú Thọ (nhất là tại các thị xã và thành phố của tỉnh) luôn là vấn đề thời sự, điều này đặt ra cho các nhà quản lý là phải có cơ chế quản lý và dự báo đƣợc mức độ tăng trƣởng của các phƣơng tiện giao thông ở mức trung hạn và dài hạn. Từ đó hoạch định các chính sách về quản lý phƣơng tiện và xây dựng cơ sở hạ tầng cho giao thông.
Đề tài này sẽ nghiên cứu, đề xuất và xây dựng mô hình dự báo sử dụng mạng nơron nhân tạo và ứng dụng giải quyết bài toán dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân ở trung hạn và dài hạn cho tỉnh Phú Thọ, tạo điều kiện để các nhà quản lý hoạch định chính sách quản lý phƣơng tiện và xây dựng hạ tầng giao thông trên địa bàn tỉnh. Đối tƣợng và phạm vi nghiên cứu Mạng nơron nhân tạo, mô hình dự báo sử dụng mạng nơron. Ứng dụng mô hình dự báo sử dụng mạng nơron trong dự báo mức độ tăng trƣởng phƣơng tiện giao thông. Hƣớng nghiên cứu của đề tài Nghiên cứu, đề xuất và xây dựng mô hình dự báo sử dụng mạng nơron nhân tạo và ứng dụng giải quyết bài toán dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân ở trung hạn và dài hạn cho tỉnh Phú Thọ.
Phƣơng pháp nghiên cứu - Nghiên cứu lý thuyết kết hợp với cài đặt thực nghiệm. Ý nghĩa khoa học của đề tài + Hệ thống các kiến thức về mạng nơron nhân tạo và nghiên cứu sâu về lớp mạng truyền thẳng nhiều lớp. 3 + Nghiên cứu bài toán quản lý và dự báo mức độ tăng trƣởng phƣơng tiện giao thông. + Xây dựng mô hình dự báo sử dụng mạng nơron.
+ Ứng dụng mô hình dự báo sử dụng mạng nơron trong dự báo mức độ tăng trƣởng phƣơng tiện giao thông cá nhân tại tỉnh Phú Thọ. 4 Chƣơng 1 TỔNG QUAN VỀ MẠNG NƠRON NHÂN TẠO Các nghiên cứu về bộ não con ngƣời đã đƣợc tiến hành từ hàng nghìn năm nay. Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến bộ trong ngành điện tử hiện đại, việc con ngƣời bắt đầu nghiên cứu các nơron nhân tạo là hoàn toàn tự nhiên. Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô hình hóa các nguyên lý của những lý thuyết liên quan tới cách thức con ngƣời suy nghĩ đã trở thành hiện thực.
Nathanial Rochester sau nhiều năm làm việc tại các phòng thí nghiệm nghiên cứu của IBM đã có những nỗ lực đầu tiên để mô phỏng một mạng nơron. Trong thời kì này tính toán truyền thống đã đạt đƣợc những thành công rực rỡ trong khi đó những nghiên cứu về nơron còn ở giai đoạn sơ khai. Mặc dù vậy những ngƣời ủng hộ triết lý “thinking machines” (các máy biết suy nghĩ) vẫn tiếp tục bảo vệ cho lập trƣờng của mình. Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn mạng nơron.
Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm của các nhà khoa học về trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản của mạng nơron trong bộ não con ngƣời. [3],[4] Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế đƣợc diễn ra ở khắp mọi nơi. Các ứng dụng mạng nơron ra đời ngày càng nhiều và ngày càng hoàn thiện hơn. Điển hình là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),….
[4],[6] 5 Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với máy tính truyền thống. Các máy tính truyền thống sử dụng cách tiếp cận theo hƣớng giải thuật, tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết một vấn đề. Vấn đề đƣợc giải quyết phải đƣợc biết và phát biểu dƣới dạng một tập chỉ lệnh không nhập nhằng. Những chỉ lệnh này sau đó phải đƣợc chuyển sang một chƣơng trình ngôn ngữ bậc cao và chuyển sang mã máy để máy tính có thể hiểu đƣợc.
Các mạng nơron xử lý thông tin theo cách thức giống nhƣ bộ não con ngƣời. Mạng đƣợc tạo nên từ một số lƣợng lớn các phần tử xử lý đƣợc kết nối với nhau làm việc song song để giải quyết một vấn đề cụ thể. Các mạng nơron học theo mô hình, chúng không thể đƣợc lập trình để thực hiện một nhiệm vụ cụ thể. Các mẫu phải đƣợc chọn lựa cẩn thận nếu không sẽ rất mất thời gian, thậm chí mạng sẽ hoạt động không đúng.
Điều hạn chế này là bởi vì mạng tự tìm ra cách giải quyết vấn đề, thao tác của nó không thể dự đoán đƣợc. Các mạng nơron và các máy tính truyền thống không cạnh tranh nhau mà bổ sung cho nhau. Có những nhiệm vụ thích hợp hơn với máy tính truyền thống, ngƣợc lại có những nhiệm vụ lại thích hợp hơn với các mạng nơron. Thậm chí rất nhiều nhiệm vụ đòi hỏi các hệ thống sử dụng tổ hợp cả hai cách tiếp cận để thực hiện đƣợc hiệu quả cao nhất (thông thƣờng một máy tính truyền thống đƣợc sử dụng để giám sát mạng nơron).1 Các khái niệm về mạng nơron Mạng nơron là sự tái tạo bằng kỹ thuật những chức năng của hệ thần kinh con ngƣời.
Trong quá trình tái tạo không phải tất cả các chức năng của bộ não con ngƣời đều đƣợc tái tạo, mà chỉ có những chức năng cần thiết. Bên cạnh đó còn có những chức năng mới đƣợc tạo ra nhằm giải quyết một bài toán định trƣớc [6],[11]. 6 Mạng nơron bao gồm vô số các nơron đƣợc liên kết truyền thông với nhau trong mạng, hình 1.1 là một phần của mạng nơron bao gồm hai nơron. Rễ đầu ra của nơron 1 được nối với axon axon Rễ đầu ra Chiều thông tin axon Nhân axon được nối với rễ đầu vào của nơron 2 Hình 1.
Một mạng nơron đơn giản gồm hai nơron. Nơron còn có thể liên kết với các nơron khác qua các rễ. Chính vì cách liên kết đa dạng nhƣ vậy nên mạng nơron có độ liên kết rất cao. Các rễ của nơron đƣợc chia làm hai loại: loại rễ nhận thông tin từ nơron khác qua axon, ta gọi là rễ đầu vào và loại rễ đƣa thông tin qua axon tới nơron khác gọi là rễ đầu ra.
Một nơron có thể có nhiều rễ đầu vào, nhƣng chỉ có một rễ đầu ra nhƣ vậy có thể xem nơron là mô hình nhiều đầu vào một đầu ra (hình 1. Mô hình của một nơron 7 Một tính chất rất cơ bản của mạng nơron sinh học là các đáp ứng theo kích thích có khả năng thay đổi theo thời gian. Các đáp ứng có thể tăng lên, giảm đi hoặc hoàn toàn biến mất. Qua các nhánh axon liên kết tế bào nơron này với các nơron khác, sự thay đổi trạng thái của một nơron cũng kéo theo sự thay đổi trạng thái của những nơron khác và do đó làm thay đổi toàn bộ mạng nơron.
Việc thay đổi trạng thái của mạng nơron có thể thực hiện qua một quá trình “dạy” hoặc do khả năng “học” tự nhiên. Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron (Neural Network – NN ) là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó đƣợc tạo lên từ một số lƣợng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo đƣợc cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu .) thông qua một quá trình học từ tập các mẫu huấn luyện.
Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron. Sự thay thế những tính chất này bằng một mô hình toán học tƣơng đƣơng đƣợc gọi là mạng nơron nhân tạo. Mạng nơron nhân tạo có thể đƣợc xây dựng theo nhiều cách khác nhau, vì vậy trong thực tế có nhiều kiểu mạng nơron. Mô hình nơron có m đầu vào x1, x2, .xm và một đầu ra y (hình 2.3), mô hình này gồm có ba thành phần cơ bản: + Các kích thích đầu vào của tế bào nơron có thế năng tác động vào màng membran khác nhau đƣợc biểu diễn qua trọng số wi, i = 1, ., m tƣơng ứng với cƣờng độ kích thích của từng đầu vào.
Các kích thích đầu vào đƣợc 8 thực hiện qua bộ tổng f(.), đó là giá trị đo kích thích đầu vào tác động vào tế bào nơron. + Đầu ra của bộ tổng đƣợc đƣa đến bộ đáp ứng a(.
