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

ĐẠI HỌC QUỐC GIA HÀ NỘI<br /> TRƯỜNG ĐẠI HỌC CÔNG NGHỆ<br /> <br /> NGUYỄN TUẤN ANH<br /> <br /> TỐI ƯU VIỆC LỰA CHỌN SỐ ĐẦU VÀO KHI ÁP DỤNG<br /> MẠNG NƠRON NHÂN TẠO TRONG BÀI TOÁN DỰ<br /> ĐOÁN ĐIỂM ĐÍCH CỦA MỘT CHUYẾN TAXI<br /> <br /> Ngành: Kỹ thuật Phần mềm<br /> Chuyên ngành: Kỹ thuật Phần mềm<br /> Mã số: 8480103.01<br /> <br /> TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT PHẦN MỀM<br /> <br /> NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS PHẠM NGỌC HÙNG<br /> TS. TRẦN TRỌNG HIẾU<br /> <br /> Hà Nội, 10/2018<br /> <br /> 1<br /> <br /> CHƯƠNG 1: MỞ ĐẦU<br /> 1.1. Hoàn cảnh<br /> Nền công nghiệp taxi đang thay đổi nhanh chóng, các đối thủ mới cùng những công nghệ mới<br /> đang thay đổi cách các doanh nghiệp taxi vận hành. Sự thay đổi này mang lại nhiều thuận lợi nhưng<br /> nó cũng gây nên nhiều vấn đề. Một thay đổi lớn đang diễn ra là các công ty taxi chuyển từ hệ thống<br /> điều phối taxi bằng bộ đàm sang hệ thống điều phối điện tử. Với hệ thống mới, mỗi taxi sẽ được gắn<br /> một thiết bị GPS để xác định vị trí cũng như trao đổi thông tin liên lạc với trung tâm. Hệ thống điều<br /> phối điện tử giúp cho việc xác định vị trí taxi đã đi qua và hiện tại là dễ dàng nhưng không biết rõ địa<br /> điểm chiếc taxi đang đi tới vì thông thường, lái xe sẽ không nhập điểm đến của hành trình. Đồng thời<br /> phương thức thông báo về khách gọi xe mới cho các taxi cũng thay đổi, từ việc broadcast thông tin<br /> cho tất cả các xe bằng việc hệ thống sẽ tự động tìm một xe phù hợp nhất để yêu cầu đón khách. Do đó<br /> nếu biết được gần đúng vị trí mà mỗi taxi đang hướng tới thì hệ thống sẽ có thể tìm được chiếc taxi<br /> phù hợp nhất [15].<br /> <br /> 1.2. Đặt vấn đề và đề xuất phương pháp<br /> Một cuộc thi về dự đoán điểm đến của một hành trình taxi đã được tổ chức vào năm 2015 với<br /> chiến thắng thuộc về đội MILA lab ở Canada bằng việc sử dụng mạng nơron nhân tạo nhiều tầng<br /> truyền thẳng. Nhưng một vấn đề gặp phải nằm ngay tại tầng đầu vào là số lượng các điểm GPS mà<br /> taxi đã đi qua là không cố định, điều này thì không phù hợp với điều kiện kích thước tầng đầu vào của<br /> mạng nơron nhiều tầng là phải cố định. Do đó các tác giả đã cố định số lượng đầu vào bằng cách chỉ<br /> lấy k điểm đầu tiên và k điểm cuối cùng của chuyến đi. Với mô hình chiến thắng trong cuộc thi, k có<br /> giá trị là năm. Tuy nhiên, trong bài báo các tác giả chưa đề cập đến việc làm thế nào để xác định giá trị<br /> k tối ưu nhất [1].<br /> Trong đề tài này, tôi đề xuất phương pháp lựa chọn số đầu vào tối ưu trong bài toán dự đoán điểm<br /> đến của một chuyến taxi khi cho trước tập các điểm ban đầu. Đề tài hoàn toàn có thể áp dụng cho bài<br /> toán dự đoán số lượng đầu ra cố định (fixed-length output) từ số lượng đầu vào thay đổi (variablelength input).<br /> <br /> 1.3. Tổng quan luận văn<br /> Phần còn lại của luận văn được trình bày như sau.<br /> Chương 1 giới thiệu về hoàn cảnh, đặt vấn đề, mô tả phương pháp đề xuất, và cách nội dung trong<br /> luận văn được trình bày.<br /> Chương 2 trình bày về kiến thức nền tảng về mạng nơron nhân tạo truyền thẳng nhiều tầng.<br /> Chương 3 trình bày về bài toán dự đoán điểm đích của chuyến taxi và phương pháp đội MILA lab<br /> giải quyết vấn đề cũng như bài toán tìm số lượng đầu vào tối ưu cho mạng nơron nhân tạo nhiều tầng<br /> truyền thẳng để cải tiến mô hình của đội MILA lab..<br /> Chương 4 trình bày mô hình đề xuất, xây dựng thử nghiệm và kết quả thực nghiệm của phương<br /> pháp.<br /> Phần kết luận đưa ra kết quả của luận văn và cũng như triển vọng và hướng nghiên cứu trong<br /> tương lai.<br /> <br /> 2<br /> <br /> CHƯƠNG 2: MẠNG NƠRON NHÂN TẠO TRUYỀN THẲNG NHIỀU TẦNG<br /> 2.1. Mạng nơron nhân tạo<br /> Mạng nơron nhân tạo (artificial neural network) là một mô hình tính toán xử lý thông tin bằng<br /> cách mô phỏng theo cách thức hoạt động của hệ nơron sinh học trong bộ não con người [2].<br /> Mạng gồm một nhóm các phần tử (nơron nhân tạo) kết nối với nhau thông qua các liên kết (liên<br /> kết được đánh trọng số). Nó làm việc như một thể thống nhất bằng cách truyền thông tin theo các kết<br /> nối và tính giá trị mới tại các nơron. Một mạng nơron nhân tạo sẽ được cấu hình để giải quyết một vấn<br /> đề cụ thể nào đó như nhận dạng mẫu, phân loại dữ liệu, dự đoán,... Nó hoạt động thông qua một quá<br /> trình học từ tập các mẫu huấn luyện. Việc học về bản chất chính là quá trình đưa dữ liệu vào mạng<br /> nơron và thực hiện hiệu chỉnh trọng số liên kết giữa các nơron thông qua kết quả có trước trong mẫu.<br /> Mô hình toán học tiêu biểu cho một nơron nhân tạo được minh họa như hình 2.1 sau:<br /> Wk1<br /> <br /> x1<br /> <br /> Hàm truyền<br /> x2<br /> <br /> ∑<br /> <br /> Wk2<br /> <br /> Đầu ra<br /> <br /> .<br /> .<br /> <br /> .<br /> .<br /> <br /> xN<br /> <br /> WkN<br /> <br /> bk<br /> <br /> Trọng số liên kết<br /> <br /> Ngưỡng<br /> <br /> Đầu vào<br /> <br /> yk<br /> <br /> f(.)<br /> <br /> Hàm tổng<br /> <br /> Hình 2.1 Mô hình toán học của một nơron<br /> Cấu trúc của một nơron k được mô tả toán học bằng cặp biểu thức sau:<br /> <br />