Áp dụng mô hình phân lớp vào dự đoán mật độ giao thông

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐỨC THẮNG ÁP DỤNG MÔ HÌNH PHÂN LỚP VÀO DỰ ĐOÁN MẬT ĐỘ GIAO THÔNG LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội - 2016 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN ĐỨC THẮNG ÁP DỤNG MÔ HÌNH PHÂN LỚP VÀO DỰ ĐOÁN MẬT ĐỘ GIAO THÔNG Ngành: Công Nghệ Thông Tin Chuyên ngành: Hệ thống Thông Tin Mã số chuyên ngành: 60480104 LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS TS Nguyễn Trí Thành Hà Nội – 2016 LỜI CAM ĐOAN Tác giả xin cam đoan kết đạt đƣợc luận văn sản phẩm riêng cá nhân Tác giả đƣợc hƣớng dẫn khoa học PGS TS Nguyễn Trí Thành, không chép lại ngƣời khác Trong toàn nội dung luận văn, điều trình bày cá nhân đƣợc tổng hợp nhiều nguồn tài liệu Tất tài liệu tham khảo có xuất xứ rõ ràng đƣợc trích dẫn hợp pháp Tác giả xin hoàn toàn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà Nội, ngày tháng năm 2016 HỌC VIÊN Nguyễn Đức Thắng LỜI CẢM ƠN Lời đầu tiên, em xin gửi lời cảm ơn chân thành sâu sắc tới PGS.TS Nguyễn Trí Thành, ngƣời thầy trực tiếp hƣớng dẫn tận tình đóng góp ý kiến quý báu cho em suốt trình thực luận văn tốt nghiệp Em xin gửi lời cảm ơn đến thầy cô giáo trƣờng Đại học Công nghệ - Đại học Công nghệ - Đại học Quốc gia Hà Nội, tận tâm truyền đạt kiến thức quý báu làm tảng cho em công việc sống Cuối cùng, em xin đƣợc cảm ơn cha mẹ, ngƣời thân, bạn bè đồng nghiệp em, ngƣời bên em, khuyến khích động viên em sống học tập HỌC VIÊN Nguyễn Đức Thắng MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC BẢNG DANH MỤC HÌNH VẼ MỞ ĐẦU 10 Chƣơng 1: Giới thiệu chung 11 1.1 Khái niệm Hệ thống giao thông thông minh 11 1.2 Bài toán dự đoán mật độ giao thông 11 1.3 Cơ sở phát triển xây dựng toán Dự đoán mật độ giao thông 15 Chƣơng 2: Hệ thống giao thông thông minh 17 2.1 Mục tiêu giải pháp Hệ thông giao thông thông minh (ITS) 11 2.2 Mô tả giải pháp Hệ thống giao thông thông minh 17 2.2.1 Hệ thống quản lý giao thông thông minh 18 2.2.2 Hệ thống thông tin hành khách thông minh 19 2.2.3 Hệ thống giao thông công cộng thông minh 20 2.3 Lợi ích Hệ thống giao thông thông minh 21 2.4 Vai trò Dự đoán mật độ giao thông Hệ thống giao thông thông minh 24 Chƣơng 3: Xây dựng mô hình dự đoán mật độ giao thông 25 3.1 Bài toán phân lớp liệu 25 3.2 Mô hình dự đoán mật độ giao thông 27 3.2.1 Mô hình đề xuất 27 3.2.2 Sử dụng mô hình 27 Các bƣớc xây dựng mô hình Dự đoán mật độ giao thông 28 3.3 3.3.1 Bƣớc 1: Tạo liệu thực nghiệm 28 a Lựa chọn đặc tính để sinh liệu 28 b Thực sinh liệu 29 3.3.2 Bƣớc 2: Chia liệu training test 34 3.3.3 Bƣớc 3: Huấn luyện 35 3.3.4 Bƣớc 4: Thực phân lớp 37 3.4 Kết thực nghiệm 40 3.4.1 Cài đặt môi trƣờng thực nghiệm 40 3.4.2 Thực nghiệm test 70-30 40 a Mô hình Decision Tree 40 b Mô hình Super Vector Machines (SVM) 40 c Mô hình Naive Bayes 41 d Mô hình Neural Network 41 e So sánh kết chạy SVM, Navies Bayes, J48 Neural Network với số phân lớp 42 3.4.3 Thực nghiệm Test Cross validation 42 a Mô hình Decision Tree 43 b Mô hình Super Vector Machines (SVM) 43 c Mô hình Naive Bayes 44 d Mô hình Neural Network 44 e So sánh kết chạy SVM, Navies Bayes, J48 Neural Network với số phân lớp 45 3.4.4 Thực nghiệm với mức độ tắc đƣờng khác 46 a Thực nghiệp với số lớp (mức độ tắc đƣờng) 48 b Thực nghiệp với số lớp (mức độ tắc đƣờng) 49 c Thực nghiệp với số lớp (mức độ tắc đƣờng) 49 d Thực nghiệp với số lớp (mức độ tắc đƣờng) 49 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN TƢƠNG LAI 51 TÀI LIỆU THAM KHẢO 52 DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT STT Từ viết tắt Nghĩa đầy đủ Ghi SVM Support Vector Machine ITS Intelligent Transportation System VMS Variable Message Signs CCTV Closed Circuit Television AVI Automated Vehicle Identification ITS Intelligent Transport System ISA Intelligent Speed Adaptation WIM Weight In Motion ETC Electronic Toll Collection 10 CC Cruise Control 11 PTP Public Transport Priority 12 SCOOT Split, Cycle and Offset Optimiser Technique 13 TDM Travel Demand Management 14 HOV High Occupancy Vehicle 15 WEKA Waikato Environment Knowledge Analysis 15 VSL Variable Speed Limit for DANH MỤC BẢNG Bảng 2.1: Dự đoán mật độ giao thông với hệ thống giao thông thông minh 18 Bảng 3.1: Cấu hình máy chủ thực nghiệm 40 Bảng 3.2: Test 70-30 - Kết test mô hình Decision Tree 40 Bảng 3.3: Test 70-30 - Kết test mô hình SVM 41 Bảng 3.4: Test 70-30 - Kết test mô hình Naïve Bayes 41 Bảng 3.5: Test 70-30 - Kết test mô hình Neural Network 42 Bảng 3.6: Test 70-30 - So sánh kết phân lớp sử dụng SVM, Navies Bayes, J48 Neural Network với phân lớp 42 Bảng 3.7: Test Cross Validation - Kết test mô hình Decision Tree 43 Bảng 3.8: Test Cross Validation - Kết test mô hình SVM 44 Bảng 3.9: Test Cross Validation - Kết test mô hình Naïve Bayes 44 Bảng 3.10: Test Cross Validation - Kết test mô hình Neural Network 45 Bảng 3.11: Test Cross - So sánh kết phân lớp sử dụng SVM, Navies Bayes, J48 Neural Network 45 Bảng 3.12: Test Cross Validation - Kết test mô hình Decision Tree 46 Bảng 3.13: Test Cross Validation - Kết test mô hình SVM 46 Bảng 3.14: Test Cross Validation - Kết test mô hình Naïve Bayes 47 Bảng 3.15: Test Cross Validation - Kết test mô hình Neural Network 47 DANH MỤC HÌNH VẼ Hình 1:Mô hình dự đoán mật độ giao thông 27 Hình 2: Test 70-30 – Dữ liệu training 35 Hình 3: Test 70-30 – Dữ liệu Test 35 Hình 4: Lựa chọn liệu huấn luyện 36 Hình 5: Thông tin liệu huấn luyện 36 Hình 6: Thông tin tập Quan hệ 36 Hình 7: Thông tin Attributes 37 Hình 8: Thông tin chi tiết Attributes 37 Hình 9: Màn hình phân lớp liệu 38 Hình 10: Chức chọn phân lớp 38 Hình 11: Các phƣơng thức test 39 Hình 12: Kết output phân lớp liệu 40 Hình 17: Test Cross Validation – Dữ liệu training 43 MỞ ĐẦU Ngày nay, với tốc độ đô thị hóa ngày trở thành xu hƣớng phát triển cho hầu hết thành phố giới nói chung Việt Nam nói riêng, thúc đẩy nhu cầu lại sử dụng phƣơng tiện giao thông ngƣời dân ngày tăng cao Điều tạo nhu cầu việc lựa chọn tuyến giao thông thích hợp cho việc di chuyển địa điểm đô thị vùng ngoại ô Với nhu cầu lựa chọn đó, việc hình thành sản phẩm phần mềm hỗ trợ việc dự đoán mật độ tham gia giao thông địa điểm xác định khoảng thời gian xác định trƣớc ngày trở nên thiết thực hết Với mong muốn đƣa hệ thống dự đoán đƣợc mật độ giao thông dựa thuật toán phân tích xử lý liệu, tác giả luận văn thực việc nghiên cứu thuật toán phân lớp cách triệt để tiến hành thực nghiệm hệ thống liệu thu thập đƣợc Hệ thống dựa vào thông tin số liệu phân tích đƣợc sử dụng mô hình phân lớp nhƣ SVM, Decision Tree, Bayer Neural Network, sau trả cho ngƣời dùng kết mật độ giao thông vị trí xác định khoảng thời gian xác định Trong luận văn nghiên cứu này, tác giả trình bày chƣơng với nội dung đƣợc tóm tắt nhƣ sau:  Chƣơng Giới thiệu chung trình bày khái niệm thống giao thông thông minh đƣa toán dự đoán mật độ giao thông Cơ sở phát triển xây dựng toán đƣợc trình bày phần cuối chƣơng  Chƣơng Hệ thống giao thông thông minh nghiên cứu chi tiết phần nhƣ mục tiêu, mô tả giải pháp, lợi ích nhƣ vai trò Hệ thống giao thông thông minh  Chƣơng Xây dựng mô hình dự đoán mật độ giao thông đƣa nghiên cứu toán phân lớp liệu mô hình dự đoán mật độ giao thông Trong chƣơng này, tác giả đƣa bƣớc để xây dựng mô hình dự đoán mật độ giao thông kết thực nghiệm đƣợc tiến hành tác giả  Phần Kết luận hƣớng phát triển tƣơng lai trình bày kết đạt đƣợc hạn chế luận văn Các vấn đề hạn chế đƣợc giải hƣớng phát triển tƣơng lai luận văn 10 Ta có giao diện hình thực phân lớp nhƣ sau: Hình 9: Màn hình phân lớp liệu Trên hình thực phân lớp có lựa chọn sau:  Chọn liệu huấn luyện Hình 10: Chức chọn phân lớp  Tại chức này, ta chọn phân lớp muốn sử dụng Tƣơng ứng với mô hình phần lớp, ta lựa chọn phân lớp WEKA nhƣ sau: o Mô hình phân lớp SVM: phân lớp SMO o Mô hình phân lớp Navie Bayes: phân lớp NavieBayes o Mô hình phân lớp với định: phân lớp J48 o Mô hình phân lớp Neural Network: phân lớp MultilayerPerceptron  Lựa chọn phƣơng thức test 38 Hình 11: Các phương thức test Các phƣơng thức test bao gồm: o Use training set: sử dụng training làm liệu test o Supplied test set: sử dụng test riêng, test 20% liệu đƣợc cắt từ liệu thực nghiệm o Cross-validation: chia liệu huấn luyện làm phần nhỏ hơn, phần nhỏ đƣợc sử dụng để test, kết test kết trung bình phần o Percentage split: cắt liệu huấn luyện theo tỷ lệ % định để làm liệu test  Kết test 39 Hình 12: Kết output phân lớp liệu 3.4 Kết thực nghiệm 3.4.1 Cài đặt môi trƣờng thực nghiệm Thực nghiệm đƣợc tiến hành máy chủ Windows 10 có cấu hình đƣợc trình bày Bảng 4.2 Thông số phần cứng STT CPU Intel(R) Core(TM) i5-5200U CPU @ 2.20GHz (4 CPUs), ~2.2GHz RAM 12Gb SSD 500Gb Thông số phần mềm Hệ điều hành Windows 10 Công cụ WEKA (Waikato Environment for Knowledge Analysis) Gói hỗ trợ Bảng 3.1: Cấu hình máy chủ thực nghiệm 3.4.2 Thực nghiệm test 70-30 a Mô hình Decision Tree Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 81.2% 79.9% 81.3% 78.3% 80.2% 79.7% 75.3% 100.0% 80.0% 52.5% 96.3% 63.8% 82.6% 80.0% 89.6% 79.9% 63.8% 86.4% 71.1% 81.1% 77.6% Class S1 S2 S3 S4 S5 S6 Bảng 3.2: Test 70-30 - Kết test mô hình Decision Tree 40 b Mô hình Super Vector Machines (SVM) Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 50.9% 43.7% 34.9% 80.9% 23.1% 79.7% 39.3% 84.4% 81.7% 2.6% 13.2% 5.8% 82.6% 46.5% 63.5% 56.9% 4.8% 22.7% 9.3% 81.1% 42.6% Class S1 S2 S3 S4 S5 S6 Bảng 3.3: Test 70-30 - Kết test mô hình SVM c Mô hình Naive Bayes Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 67.6% 51.9% 44.9% 78.7% 76.4% 55.6% 53.8% 84.4% 81.7% 7.5% 93.4% 41.4% 55.6% 62.9% 75.1% 63.5% 12.9% 85.4% 53.7% 55.6% 58.0% Class S1 S2 S3 S4 S5 S6 Bảng 3.4: Test 70-30 - Kết test mô hình Naïve Bayes d Mô hình Neural Network Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure 80.3% 72.0% 80.3% 79.4% 83.8% 80.6% 82.5% 94.9% 82.0% 76.1% 81.4% 86.5% 41 Class S1 S2 S3 S4 Avg 81.4% 79.1% 76.4% 64.1% 85.7% 77.2% 71.7% 82.3% 76.8% S5 S6 Bảng 3.5: Test 70-30 - Kết test mô hình Neural Network e So sánh kết chạy SVM, Navies Bayes, J48 Neural Network với số phân lớp Precision Recall F-Measure Decision Tree 75.3% 80.0% 77.6% SVM 39.3% 46.5% 42.6% Navie Bayes 53.8% 62.9% 58.0% Neural Network 76.4% 77.2% 76.8% Bảng 3.6: Test 70-30 - So sánh kết phân lớp sử dụng SVM, Navies Bayes, J48 Neural Network với phân lớp 3.4.3 Thực nghiệm Test Cross validation với liệu thông thƣờng Phƣơng tức test Cross phƣơng thức test mà Bộ liệu huấn luyện đƣợc chia làm nhiều phần khác Các phần gọi Folds, folds đƣợc sử dụng để làm test Kết test Cross kết test trung bình Folds: Dữ liệu thông thƣờng test liệu thông tin ngày nghỉ lễ Ta có tập liệu tranning test nhƣ sau: Tool sử dụng: Weka (Waikato Environment for Knowledge Analysis) Folds: 10  Dữ liệu tranning: o Số lƣợng data: 17856 o Số Attribute: o Số class: 42 Hình 13: Test Cross Validation – Dữ liệu training a Mô hình Decision Tree Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 81.0% 81.1% 81.3% 80.6% 66.1% 79.4% 78.6% 100.0% 97.9% 52.5% 89.6% 18.9% 100.0% 80.0% 89.5% 88.7% 63.8% 84.9% 29.4% 88.5% 79.3% Class S1 S2 S3 S4 S5 S6 Bảng 3.7: Test Cross Validation - Kết test mô hình Decision Tree b Mô hình Super Vector Machines (SVM) Kết test: 43 Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 52.3% 44.7% 34.9% 81.0% 22.6% 24.1% 40.1% 85.8% 82.5% 2.6% 11.3% 7.5% 29.5% 47.2% 65.0% 58.0% 4.8% 19.8% 11.3% 26.5% 43.4% Class S1 S2 S3 S4 S5 S6 Bảng 3.8: Test Cross Validation - Kết test mô hình SVM c Mô hình Naive Bayes Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 75.1% 46.0% 44.9% 59.4% 2.6% 56.2% 58.8% 100.0% 79.2% 7.5% 70.0% 73.1% 56.1% 63.0% 85.8% 58.2% 12.9% 64.3% 5.0% 56.1% 60.8% Class S1 S2 S3 S4 S5 S6 Bảng 3.9: Test Cross Validation - Kết test mô hình Naïve Bayes d Mô hình Neural Network Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 81.0% 80.6% 67.8% 80.3% 81.4% 79.1% 76.4% 97.6% 91.7% 57.4% 88.0% 64.1% 85.7% 77.2% 88.5% 85.8% 62.2% 84.0% 71.7% 82.3% 76.8% 44 Class S1 S2 S3 S4 S5 S6 Bảng 3.10: Test Cross Validation - Kết test mô hình Neural Network e So sánh kết chạy SVM, Navies Bayes, J48 Neural Network với số phân lớp Precision Recall F-Measure Decision Tree 78.6% 80.0% 79.3% SVM Navie Bayes 40.1% 47.2% 43.4% 58.8% 63.0% 60.8% Neural Network 76.4% 77.2% 76.8% Bảng 3.11: Test Cross - So sánh kết phân lớp sử dụng SVM, Navies Bayes, J48 Neural Network 45 3.4.4 Thực nghiệm Test Cross validation với liệu có xét đến ngày nghỉ lễ Đẻ bám sát với thực tết hơn, thực nghiệm test với liệu thông thƣờng, ta thực test với liệu có thông tin ngày nghỉ lễ đƣợc xây dựng chƣơng trƣớc Phƣơng thức test đƣợc lựa chọn Test Cross validation với liệu có chứa thông tin ngày nghỉ lễ: a Mô hình Decision Tree Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 79.4% 79.4% 41.3% 4.1% 79.8% 79.4% 74.3% 100.0% 77.2% 52.5% 78.8% 79.8% 100.0% 79.4% 88.5% 78.3% 46.2% 7.8% 79.8% 88.5% 76.8% Class S1 S2 S3 S4 S5 S6 Bảng 3.12: Test Cross Validation - Kết test mô hình Decision Tree b Mô hình Super Vector Machines (SVM) Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 51.2% 32.1% 32.1% 71.2% 22.6% 23.2% 39.9% 75.0% 76.5% 12.3% 0.3% 7.5% 29.5% 40.2% 60.9% 45.2% 17.8% 0.6% 11.3% 26.0% 40.0% Class S1 S2 S3 S4 S5 S6 Bảng 3.13: Test Cross Validation - Kết test mô hình SVM c Mô hình Naive Bayes Kết test: 46 Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 60.6% 40.8% 33.1% 65.5% 66.3% 70.4% 54.1% 54.0% 56.7% 29.4% 92.5% 54.2% 6.1% 51.3% 57.1% 47.5% 31.1% 76.7% 59.6% 11.2% 52.7% Class S1 S2 S3 S4 S5 S6 Bảng 3.14: Test Cross Validation - Kết test mô hình Naïve Bayes d Mô hình Neural Network Kết test: Chi tiết độ xác phân lớp Precision Recall F-Measure Avg 80.5% 69.8% 17.7% 79.4% 75.5% 79.5% 79.5% 80.5% 69.8% 17.7% 87.2% 75.5% 79.5% 79.5% 80.5% 69.8% 17.7% 83.1% 75.5% 79.5% 79.5% Class S1 S2 S3 S4 S5 S6 Bảng 3.15: Test Cross Validation - Kết test mô hình Neural Network 3.4.5 Biểu đồ so sánh kết thực nghiệm liệu bình thƣờng liệu có xét đến ngày nghỉ lễ 47 Biểu đồ so sánh Dữ liệu thông thường Dữ liệu có ngày nghỉ lễ 90 80 70 60 50 40 30 20 10 Navie Bayes SVM Neural Network Dữ liệu thông thường Decision Tree Dữ liệu có ngày nghỉ lễ Biểu đồ 1: So sánh Dữ liệu thông thường Dữ liệu có ngày nghỉ lễ Dựa vào biểu đô ta thấy với - Dữ liệu thông thƣờng, độ xác cho kết cao so với Dữ liệu có ngày nghỉ lễ Độ xác Neural network Decission Tree đạt kết qura cao nhất, lên đến xấp 80% Độ xác SVM có kết thấp nhất, dƣới 50% Với giải thuật Navie Bayes SVM độ xác Dữ liệu có ngày nghỉ lễ thấp tƣơng đối nhiều so với Dữ liệu thông thƣờng Neural network Decision Tree J48 độ xác tƣơng đồng hai liệu Nhƣ thấy việc dự đoán mật độ Giao thông với liệu Neural Network Decision Tree có tính xác cao phù hợp với yêu cầu toán mà luận văn đƣa 3.4.6 Thực nghiệm với mức độ tắc đƣờng khác a Thực nghiệp với số lớp (mức độ tắc đƣờng) Decision SVM 48 Navie Neural Precision Recall F-Measure Tree 80.5% 80.5% 80.5% 58.9% 71.9% 64.8% Bayes 57.5% 69.7% 63.0% Network 75.0% 76.1% 75.5% Navie Bayes 48.7% 56.2% 52.2% Neural Network 71.6% 71.6% 71.6% Navie Bayes 49.9% 58.6% 53.9% Neural Network 76.5% 76.1% 76.3% Navie Bayes 54.8% 51,3% 53.0% Neural Network 76.4% 77.2% 76.8% b Thực nghiệp với số lớp (mức độ tắc đƣờng) Precision Recall F-Measure Decision Tree 80.1% 80.2% 80.1% SVM 31.0% 51.4% 38.7% c Thực nghiệp với số lớp (mức độ tắc đƣờng) Precision Recall F-Measure Decision Tree 82.3% 81.7% 82.0% SVM 38.9% 53.5% 45.0% d Thực nghiệp với số lớp (mức độ tắc đƣờng) Precision Recall F-Measure Decision Tree 78.6% 80.0% 79.3% SVM 40.1% 47.2% 43.4% 3.4.7 Biểu đồ so sánh kết thực nghiệm với mật độ giao thông khác 49 Kết thực nghiệm với mật độ giao thông khác 90 80 70 60 50 40 30 20 10 Class = Class = Navie Bayes Class = Decision Tree SVM Class = Neural NetWork Biểu đồ 2: Kết thực nghiệm với mật độ giao thông khác Dựa vào biểu đồ ta thấy - Với phân lớp Decision Tree J48, kết tƣơng đối xác (giữ mức 80%) không bị phụ thuộc vào số lƣợng class Với phân lớp Neural Network, độ xác thấp hơn, nhƣng giữ ổn định 76% không bị ảnh hƣởng nhiều vào số lƣợng class Với phân lớp SVM Navie Bayes, độ xác thấp SVM thể rõ yếu chạy với số lƣợng class lớn Nhƣ vậy, phân lớp nên đƣợc lựa chọn để sử dụng Dự đoán mật độ giao thông Decision Tree J48 50 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN TƢƠNG LAI Kết luận Dự đoán mật độ giao thông phần Hệ thống giao thông thông minh, đƣợc xây dựng để phục vụ mục đích hỗ trợ ngƣời tham gia giao thông lựa chọn đƣợc hành trình phù hợp Phƣơng thức dự đoán mật độ giao thông đƣợc phát triển tích hợp thêm phƣơng thức khác để dự đoán xác Luận văn “Áp dụng mô hình phân lớp vào dự đoán mật độ giao thông” tiến hành khảo sát mô hình phân lớp với Các phân lớp khác áp dụng mô hình vào liệu thực nghiệm để đạt đƣợc kết nhƣ mong muốn Kết đạt đƣợc luận văn:  Giới thiệu đƣợc Hệ thống giao thông thông minh hệ thống Hệ thống dự đoán mật độ giao thông dựa mô hình Cây định  Khảo sát thống kê mật độ độ giao thông khoảng thời gian định  Nghiên cứu, tìm hiểu hƣớng để tiếp cận mô hình phân lớp với định  Chạy kết dự đoán mật độ giao thông cao với liệu thực nghiệm, góp phần tăng độ quan trọng Hệ thống dự đoán mật độ giao thông Hệ thống giao thông thông minh Những điều cần khắc phục:  Việc áp dụng cố (mƣa, bão, …) vào dự đoán mật độ giao thông mức độ đơn giản, phần lớn tăng giảm mật độ Hƣớng phát triển tƣơng lai Trong thời gian tới, luận văn tiếp tục nghiên cứu viếc áp dụng mô hình phân lớp vào dự đoán mật độ giao thông Đồng thời nghiên cứu kỹ việc áp dụng cố (mƣa, bão,…) vào công tác dự đoán Đi kèm việc nghiên cứu bổ sung thêm mô hình phân lớp khác để kết đầu đa dạng có so sánh định mô hình 51 TÀI LIỆU THAM KHẢO Tiếng Anh Naive Bayes Classifiers and Document Classification- Brandon Malone January 24, 2014 Decision Tree Analysis on J48 Algorithm for Data Mining- Dr Neeraj Bhargava, Girja Sharma, Dr Ritu Bhargava, Manish Mathuria - Volume 3, Issue 6, June Support Vector Machine (and Statistical Learning Theory) Tutorial Jason Weston NEC Labs America Independence Way, Princeton, USA jasonw@nec-labs.com Artifical Neural Networks - Ani1 K Jain Michigan State University Jianchang M a o K.M Mohiuddin ZBMAZmadenResearch Center Explaining International IT Application Leaderhip: Intelligent Transportation Systems - Stephen Ezell January 2010 A Tutorial on Bayesian classifier A Tutorial on Bayesian classifier with WEKA MING-CHANG LEE - Department of Information Management Yu Da College of Business March 28, 2006 Induction of Decision Trees - J.R QUINLAN - Centre for Advanced Computing Sciences, New South Wales Institute of Technology, Sydney 2007, Australia Traffic simulation with consideration of driver models, theory and examples - J Ludmann, D Neunzig, and M Weilkes - Veh Syst Dyn 27, 491-516 (1997) The benefits of intelligent transport systems: modelling the effects of different its systems - Vanderschuren, M.J.W.A – Jully ,2003 10 Behavioral Policies and Teen Traffic Safety , Thomas S Dee and William N Evans – May, 2001 52 ... tiêu, mô tả giải pháp, lợi ích nhƣ vai trò Hệ thống giao thông thông minh  Chƣơng Xây dựng mô hình dự đoán mật độ giao thông đƣa nghiên cứu toán phân lớp liệu mô hình dự đoán mật độ giao thông. .. Xây dựng mô hình dự đoán mật độ giao thông 25 3.1 Bài toán phân lớp liệu 25 3.2 Mô hình dự đoán mật độ giao thông 27 3.2.1 Mô hình đề xuất 27 3.2.2 Sử dụng mô. .. sử dụng mô hình Decision Tree để học liệu mẫu đƣa dự đoán mật độ giao thông từ liệu mẫu 3.2 Mô hình dự đoán mật độ giao thông Quá trình phân lớp liệu thƣờng gồm hai bƣớc: Xây dựng mô hình Sử dụng