Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13731
Title: Προβλεπτικός Μηχανισμός Βέλτιστου Ανεφοδιασμού Οχημάτων: Συνδυασμός Τεχνικών Μηχανικής Μάθησης Με Υπολογισμούς Βελτιστοποίησης
Authors: Δασούλας Γεώργιος
Κοζύρης Νεκτάριος
Keywords: μηχανική μάθηση
πρόβλεψη
ανάλυση χρονοσειρών
δρομολόγηση οχημάτων
βελτιστοποίηση βασιζόμενη στην πρόβλεψη
Issue Date: 23-Mar-2018
Abstract: Σκοπός αυτής της διπλωματικής εργασίας είναι η σχεδίαση, η υλοποίηση και η πειραματολογία ενός συστήματος σύστασης, το οποίο αποσκοπεί στη μείωση του συνολικού κόστους ανεφοδιασμού για δρομολόγια οχημάτων. Μέσω αυτής της εργασίας, προτείνουμε ένα σχήμα βελτιστοποίησης βασιζόμενης στην πρόβλεψη, το οποίο συνδυάζει αποδοτικά αλγορίθμους μηχανικής μάθησης με υπολογισμούς βελτιστοποίησης με τελικό στόχο την παροχή στο χρήστη μιας βέλτιστης πολιτικής ανεφοδιασμού. Αυτό το σύστημα μπορεί να χωριστεί σε 3 μέρη: Την ανάπτυξη μοντέλων πρόβλεψης για τιμές καυσίμων, την υλοποίηση του αλγορίθμου βελτιστοποίησης και την ενοποίηση των δύο διαδικασιών. Στο πρόσφατο παρελθόν, αρκετή έρευνα έχει πραγματοποιηθεί στον τομέα της ανάλυσης οικονομικών χρονοσειρών μέσω μηχανικής μάθησης. Αυτό είναι αποτέλεσμα της πρόσφατης ανέλιξης της τεχνητής νοημοσύνης σε πραγματικές εφαρμογές. Επίσης, την τελευταία δεκαετία πολλοί βελτιστοποιητές καυσίμων και αλγόριθμοι βελτιστοποίησης δρομολογίων έχουν αναπτυχθεί. Παρολαυτά, αυτοί οι βελτιστοποιητές καυσίμων απαιτούν τηγνώση της τρέχουσας τιμής καυσίμου, προκειμένου να ελαχιστοποιήσουν το κόστος ανεφοδιασμού. Μέσω του παρόντος έργου, προσπαθούμε να συνδυάσουμε αυτά τα δύο πεδία καιπροτείνουμε έναν προβλεπτικό βελτιστοποιητή καυσίμων, ο οποίος δεν γνωρίζει a priori τιςτιμές καυσίμων, αλλά παραταύτα αξιοποιεί μοντέλα πρόβλεψης, προκειμένου να αποκτήσουμε μια ακριβή εκτίμηση.Στο πρώτο κομμάτι, εστιάζουμε την προσοχή μας ανεξάρτητα στο πρόβλημα της πρόβλεψης τιμών καυσίμων στη χώρα της Γερμανίας. Εξετάζουμε 4 τύπους εκτιμητών με χρήσημηχανικής μάθησης, τις Μηχανές Διανυσματικής Υποστήριξης, τα Νευρωνικά Δίκτυα, τα Τυχαία Δάση και τον αλγόριθμο των K-Κοντινότερων Γειτόνων. Συμπεραίνουμε ότι συγκε-κριμένες παραμετροποιήσεις των Μηχανών Διανυσματικής Υποστήριξης και των Τυχαίων Δασών υπερτερούν σε απόδοση των υπολοίπων.Στη συνέχεια, αντιμετωπίζουμε το πρόβλημα της βελτιστοποίησης και τη συνεισφοράτης πρόβλεψης στην βελτιστοποίηση. Σημειώνουμε πως με τη χρήση των βέλτιστων μοντέλων πρόβλεψης, μπορούμε να πετύχουμε στο μέγιστο μια ποσοστιαία μείωση 5.20% τουκόστους ανεφοδιασμού, που θα είχαμε αν δεν χρησιμοποιούσαμε αυτό το σύστημα σύστασης.Αυτή η ποσοστιαία μείωση, μάλιστα, είναι μόνο 0.20% μακριά από την μικρότερη τιμή συνολικού κόστους ανεφοδιασμού, που θα μπορούσαμε να πετύχουμε αν γνωρίζαμε a priori τις τιμές καυσίμων.
URI: http://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13731
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2018-0059.pdf4.8 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.