REDES NEURONALES APLICADO A LOS MODELOS DE TRANSPORTE

REDES NEURONALES APLICADO A LOS MODELOS DE TRANSPORTE

(NEURAL NETWORKS APPLIED TO TRANSPORT MODELS)

Angélica Barrios, Dina González, José Marulanda, Juan Diego Rojas

Universidad Pontificia Bolivariana, Cir. 1 #70-01, of. 11-259, Medellín, Colombia.

angelica.barrios@upb.edu.co, dina.gonzalez@upb.edu.co, juand.rojas@upb.edu.co, jose.marulanda@upb.edu.co

Resumen:

Este documento tiene como objetivo presentar una revisión en la literatura sobre el tema de modelos de transporte aplicados a redes neuronales artificiales (ANN), de las cuales se abarcaron conceptos fundamentales para entender la metodología. Por otro lado, los modelos de transporte han sido de especial interés para la minería, la hidrogeología, entre otras ciencias; se han realizado estudios sobre temas comunes como el tráfico, la eficacia de los transportes públicos y la demanda energética de transportes. Finalmente, se realizó una discusión para aclarar dudas acerca de la importancia de las redes neuronales, lo que abarca, las posibles mejorías del método, etc.

Palabras clave: Literatura, redes neuronales, modelos de transporte.

Abstract:

This document aims to present a review in the literature on the subject of transport models applied to artificial neural networks (ANN), of which fundamental principles to understand the methodology were covered. On the other hand, transportation models have been of special interest for mining, hydrogeology, among other sciences; Studies have been carried out on common issues such as traffic, the efficiency of public transport and the energy demand of transport. Finally, a discussion was held to clarify doubts about the importance of neural networks, which includes, the best possibilities of the method, etc.

 Keywords: Literature, neural networks, transport models.

1. INTRODUCCIÓN

La complejidad de los modelos de transporte y logística han llevado a la necesidad de utilizar el modelado de simulación sobre la base de sistemas de inteligencia artificial, incluyendo modelos de redes neuronales para su investigación, además que ciertos equipos técnicos, sistemas y software también desempeñan un papel importante [1]. La programación consiste en decirle que hacer a un computador para así convertir grandes problemas en muchas tareas pequeñas, definidas con precisión, para que el computador pueda realizarlas fácilmente. Por el contrario, en una red neuronal no se le dan indicaciones al computador de cómo resolver el problema, sino que este aprende de los datos proporcionando y así hace su propia solución [2]. Las redes neuronales son un nuevo tipo de inteligencia artificial que simula la estructura y operación de los cerebros humanos, es un complejo sistema no lineal formado de la interconexión de una pequeña cantidad de simples neuronas [3].

1. MARCO TEÓRICO

2.1 Redes neuronales

Una red neuronal artificial (ANN) implementada como un programa de software, procesa datos “computa” usando un conjunto de elementos simples modelando las funciones de las neuronas ordenadas por capas. La propiedad más destacada de la ANN es su capacidad para mapear relaciones no lineales entre variables describiendo así el comportamiento del modelo. Este mapeo se obtiene en el momento en que se entrena la red sin la necesidad de un análisis exhaustivo de las propiedades de las variables. [3]

El número de tipos de ANNs es muy alto. Desde el primer modelo neural de McCulloch y Pitts (1943) se han desarrollado cientos de modelos diferentes considerados como ANNs. Las diferencias en ellos podrían ser las funciones, los valores aceptados, la topología, los algoritmos de aprendizaje, etc.

Existen cuatro componentes en el proceso de aprendizaje de la ANN:

1. Forward Propagation de los modelos de entrada: el modo de entrada calcula desde la capa de entrada hacia la capa de salida a través de la capa intermedia.
2. Backpropagation de errores de salida; los errores de salida se propagan desde la capa de salida hacia la capa de entrada a través de la capa intermedia.
3. Entrenamiento de memoria cíclica; la propagación hacia adelante de los modos de entrada y la propagación posterior del ciclo de errores de salida alternativamente una repetidamente.
4. Determinar el resultado del aprendizaje: los errores globales se miden si tiende a ser mínimo.

La construcción topológica de las ANN se muestra en la figura 1:

[pic 1]

Figura 1. Estructura de una ANN.

La ANN consiste básicamente en entradas que se multiplican por pesos, y luego se calcula por una función matemática la cual determina la activación de la neurona, después otra función computa la salida de la neurona. Las ANNs combinan neuronas para procesar información.

[pic 2]

Figura 2. Neurona artificial.

Cuanto mayor sea el peso de una neurona artificial, más fuerte será la entrada que se multiplica por ella. Los pesos también pueden ser negativos, por lo que podemos decir que la señal es inhibida por el peso negativo. Dependiendo de los pesos, el cómputo de la neurona será diferente. Ajustando los pesos de una neurona artificial podemos obtener la salida que queremos para entradas específicas.  Para las ANN que tienen cientos o miles de neuronas existen algoritmos que pueden ajustar los pesos con el fin de obtener la salida deseada de la red.

El algoritmo de backpropagation utiliza el aprendizaje supervisado, lo que significa que proporcionamos el algoritmo con ejemplos de las entradas y salidas que queremos que la red calcule, y luego se calcula el error (diferencia entre los resultados reales y esperados). La idea del algoritmo de backpropagation es reducir este error, hasta que la ANN aprenda los datos de entrenamiento. El entrenamiento comienza con pesos aleatorios, y el objetivo es ajustarlos para que el error sea mínimo.

La función de activación que implementan las neuronas artificiales es una suma ponderada:

...