Traffic Control and Transport Planning:: A Fuzzy Sets and Neural Networks Approach

هنگام حل مسائل مهندسی واقعی، اغلب با اطلاعات زبانی مواجه می‌شویم که تعیین کمیت آن‌ها با استفاده از تکنیک‌های ریاضی \"کلاسیک\" اغلب دشوار است. این اطلاعات زبانی نشان دهنده دانش ذهنی است. از طریق مفروضاتی که توسط تحلیلگر در هنگام تشکیل مدل ریاضی ایجاد می شود، اطلاعات زبانی اغلب نادیده گرفته می شود. از سوی دیگر، طیف گسترده ای از پارامترهای مهندسی ترافیک و حمل و نقل با عدم قطعیت، ذهنیت، عدم دقت و ابهام مشخص می شوند. اپراتورهای انسانی، توزیع کنندگان، رانندگان و مسافران از این دانش ذهنی یا اطلاعات زبانی به صورت روزانه هنگام تصمیم گیری استفاده می کنند. تصمیم‌گیری در مورد انتخاب مسیر، نحوه حمل و نقل، مناسب‌ترین زمان حرکت یا اعزام کامیون‌ها توسط رانندگان، مسافران یا اعزام‌کنندگان گرفته می‌شود. در هر مورد تصمیم گیرنده یک انسان است. محیطی که در آن یک متخصص انسانی (کنترل کننده انسانی) تصمیم گیری می کند اغلب پیچیده است و فرموله کردن یک مدل ریاضی مناسب را دشوار می کند. بنابراین، توسعه سیستم های منطق فازی در چنین شرایطی موجه به نظر می رسد. در شرایط خاص، ما اطلاعات زبانی را بسیار راحت تر از اطلاعات عددی می پذیریم. در همین راستا، ما کاملاً قادر به پذیرش مقادیر تقریبی عددی و تصمیم گیری بر اساس آنها هستیم. در تعداد زیادی از موارد ما منحصراً از مقادیر عددی تقریبی استفاده می کنیم. لازم به تأکید است که برآوردهای ذهنی پارامترهای ترافیکی مختلف از توزیع کننده به توزیع کننده، راننده به راننده و مسافر به مسافر متفاوت است.

When solving real-life engineering problems, linguistic information is often encountered that is frequently hard to quantify using "classical" mathematical techniques. This linguistic information represents subjective knowledge. Through the assumptions made by the analyst when forming the mathematical model, the linguistic information is often ignored. On the other hand, a wide range of traffic and transportation engineering parameters are characterized by uncertainty, subjectivity, imprecision, and ambiguity. Human operators, dispatchers, drivers, and passengers use this subjective knowledge or linguistic information on a daily basis when making decisions. Decisions about route choice, mode of transportation, most suitable departure time, or dispatching trucks are made by drivers, passengers, or dispatchers. In each case the decision maker is a human. The environment in which a human expert (human controller) makes decisions is most often complex, making it difficult to formulate a suitable mathematical model. Thus, the development of fuzzy logic systems seems justified in such situations. In certain situations we accept linguistic information much more easily than numerical information. In the same vein, we are perfectly capable of accepting approximate numerical values and making decisions based on them. In a great number of cases we use approximate numerical values exclusively. It should be emphasized that the subjective estimates of different traffic parameters differs from dispatcher to dispatcher, driver to driver, and passenger to passenger.