Los patrones de modelado de trfico utilizando la agrupacin sustractiva Esta demo muestra el uso de la agrupacin de sustraccin para modelar

los patrones de trfico en un rea sobre la base de datos demogrficos de la zona. Contenido * El problema: entender los patrones de trfico * Los datos * Por qu la agrupacin y la Lgica Difusa? * El agrupamiento de los datos * Generacin del Sistema de Inferencia Difuso (FIS) * Comprender la relacin Clusters de la FIS * El uso de la FIS para la exploracin de datos * Conclusin * Glosario El problema: entender los patrones de trfico En esta demo podemos tratar de entender la relacin entre el nmero de viajes en automvil generados a partir de un rea y la demografa de la zona. Los datos demogrficos y el viaje se obtuvieron de las zonas de anlisis de trfico en el Condado de New Castle, Delaware. Cinco factores demogrficos se consideran: poblacin, nmero de unidades de vivienda, la propiedad del vehculo, ingreso medio por hogar y el empleo total. En adelante, los factores demogrficos se abordar en las entradas y los viajes generados sern tratados como salida. Por lo tanto nuestro problema tiene cinco variables de entrada (cinco factores demogrficos) y una variable de salida (nmero de desplazamientos generados). Los datos Ahora vamos a cargar variables de entrada y salida utilizados en la demostracin en el rea de trabajo. tripdata Dos variables se cargan en el workspace, y Datin datout. Datin tiene 5 columnas que representan las 5 variables de entrada y datout tiene una columna que representa la variable de una salida. subplot (2,1,1) parcela (datin) la leyenda ('poblacin', 'num. de unidades de vivienda "," la propiedad del vehculo, ... 'Ingreso medio por hogar "," empleo total ");

ttulo ('Variables de entrada') subplot (2,1,2) parcela (datout) la leyenda ("nmero de viajes '); title ('La variable de salida ") Figura 1: variables de entrada y de salida El nmero de filas en datin y datout, de 75 aos, representan el nmero de observaciones o muestras o puntos de datos disponibles. Una fila de Datin, por ejemplo la fila 11, constituye un conjunto de valores observados de las 5 variables de entrada (poblacin, nmero de unidades de vivienda, la propiedad del vehculo, ingreso medio por hogar y el empleo total) y la fila correspondiente, fila 11, representa en la datout valor observado para el nmero de desplazamientos generados dadas las observaciones realizadas por las variables de entrada. Vamos a modelar la relacin entre las variables de entrada (datos demogrficos) y la variable de salida (ADPIC) de la agrupacin en primer lugar los datos. Los centros de los conglomerados se utilizar entonces como una base para definir un sistema de inferencia borrosa (FIS) que entonces se puede utilizar para explorar y comprender los patrones de trfico. Por qu la agrupacin y la Lgica Difusa? Agrupacin puede ser una tcnica muy eficaz para identificar agrupaciones naturales en los datos de un gran conjunto de datos, permitiendo as que la representacin concisa de relaciones incorporados en los datos. En este ejemplo, la agrupacin nos permite a los patrones de trfico del grupo en categoras amplias por lo tanto, permitiendo ms fcil comprensin. La lgica difusa es un paradigma eficaz para manejar la imprecisin. Puede ser utilizado para hacer observaciones difusos o imprecisos de los insumos y, sin embargo llegar a los valores ntidos y precisos para las salidas. Adems, el Sistema de Inferencia Difuso (FIS) es una forma sencilla y de sentido comn para construir sistemas complejos sin necesidad de utilizar las ecuaciones analticas. En nuestro ejemplo, la lgica difusa se emplea para capturar las grandes categoras identificadas en las agrupaciones en un Sistema de Inferencia Difusa (FIS). El FIS entonces actuar como un modelo que refleje la relacin entre la demografa y los viajes de automviles. La agrupacin y la lgica difusa en conjunto proporcionan un medio simple pero potente para modelar la relacin entre el trfico que queremos estudiar. El agrupamiento de los datos

subclust es la funcin que implementa una tcnica de agrupacin llamada agrupacin sustractivo. Agrupacin sustractiva, [Chi94], es una forma rpida, una pasada algoritmo para la estimacin del nmero de grupos y los centros de racimo en un conjunto de datos. En esta seccin, veremos cmo la agrupacin de sustraccin se realiza en un conjunto de datos y en la siguiente seccin vamos a explorar de manera independiente la forma de agrupamiento se utiliza para construir un Sistema de Inferencia Difusa (FIS). [C, S] = subclust ([datin datout], 0,5); El primer argumento de la funcin subclust son los datos que se agrupan. El segundo argumento de la funcin es la radio que marca radio de un grupo de influencia en el espacio de entrada. La variable C ahora tiene todos los centros de los grupos que han sido identificados por subclust. Cada fila de C contiene la posicin de un grupo. C C= 1,8770 0,7630 0,9170 18,7500 1,5650 2,1830 0,3980 0,1510 0,1320 8,1590 0,6250 0,6480 3,1160 1,1930 1,4870 19,7330 0,6030 2,3850

En este caso, C tiene 3 filas que representan 3 grupos de 6 columnas que representan las posiciones de los grupos en cada dimensin. por lo tanto, subclust ha identificado 3 agrupaciones naturales en el conjunto de datos demogrficos y vuelta que se trate. La figura siguiente muestra cmo los grupos han sido identificados en el "empleo total" y las dimensiones de los viajes 'del espacio de entrada. CLF; parcela (datin (:, 5), datout (:, 1), C ('.':, 5), C (:, 6), 'r *') leyenda (de los puntos de datos "," centros de racimo ',' Localizacin ',' Sudeste ') xlabel ('empleo total') ylabel ('nmero de viajes ") ttulo ('Datos y Clusters en una seleccin de dos dimensiones del espacio de entrada') Figura 2: centros de racimo en el "empleo total" y las dimensiones de los viajes 'del espacio de entrada

La variable S contiene los valores de sigma que se especifica el rango de influencia de un centro de cluster en cada una de las dimensiones de los datos.Todos los centros de los conglomerados comparten el mismo conjunto de valores de sigma. S S= 1,1621 0,4117 0,6555 7,6139 2,8931 1,4395

S en este caso tiene 6 columnas que representan la influencia de los centros de los conglomerados en cada una de las 6 dimensiones. Generacin del Sistema de Inferencia Difuso (FIS) genfis2 es la funcin que crea un FIS mediante la agrupacin de sustraccin.genfis2 emplea subclust detrs de las escenas para agrupar los datos y utiliza los centros de los conglomerados y su gama de influencias para construir un FIS que luego se utilizarn para analizar y comprender los patrones de trfico. myfis = genfis2 (Datin, datout, 0,5); El primer argumento es la matriz de variables de entrada Datin, el segundo argumento es el datout las variables de salida de la matriz y el tercer argumento es el radio que se debe utilizar durante el uso de subclust. genfis2 asigna nombres predeterminados para entradas, salidas y funciones de pertenencia. Para nuestro entendimiento es beneficioso para cambiar el nombre de las entradas y salidas significativa. % Asignar nombres a las entradas y salidas myfis = setfis (myfis, 'entrada', 1, 'nombre', 'poblacin'); myfis = setfis (myfis, 'entrada', 2, 'nombre', 'viviendas'); myfis = setfis (myfis, 'entrada', 3, 'nombre', 'nmero de vehculos'); myfis = setfis (myfis, 'entrada', 4, 'nombre', 'ingreso'); myfis = setfis (myfis, 'entrada', 5, 'nombre', 'trabajo'); myfis = setfis (myfis, 'salida', 1, 'nombre', 'nmero de viajes'); Comprender la relacin Clusters de la FIS Un FIS se compone de entradas, salidas y las normas. Cada entrada y salida pueden tener cualquier nmero de funciones de pertenencia. Las normas que dictan el comportamiento del sistema difuso basado en entradas, salidas y funciones de pertenencia. genfis2 construye el FIS en un intento de capturar la posicin y la influencia

de cada grupo en el espacio de entrada. myfis es el FIS que genfis2 ha generado. Dado que el conjunto de datos cuenta con 5 variables de entrada y una variable de salida, genfis2 construye un FIS con 5 entradas y 1 salida. Cada entrada y salida tiene como funciones de pertenencia muchos como el nmero de grupos que subclust ha identificado.Como se vio anteriormente, para el conjunto de datos actual subclust identificado 3 grupos. Por lo tanto cada entrada y salida se caracteriza por 3 las funciones de pertenencia. Adems, el nmero de reglas es igual al nmero de racimos y por lo tanto 3 reglas son creadas. Ahora podemos probar el FIS para entender cmo los grupos se convertan internamente en funciones de pertenencia y las reglas. difusa (myfis) Figura 3: El editor grfico para la construccin de sistemas de inferencia difuso (FIS) difusa es la funcin que lanza el editor grfico para la construccin de sistemas difusos. difusa (myfis) inicia el editor encargado de editar myfis, el FIS que acaba de generar. Como puede verse, el FIS tiene 5 entradas y 1 salida con las entradas asignadas a las salidas a travs de una base de reglas (cuadro blanco en la figura). Ahora vamos a tratar de analizar cmo los centros de los conglomerados y las funciones de pertenencia estn relacionados. mfedit (myfis) Figura 4: El editor grfico de funcin de pertenencia mfedit (myfis) inicia el editor grfico de funcin de pertenencia. Tambin se puede iniciar haciendo clic en las entradas o salidas en el editor de la puesta en marcha por la FIS difusa. Tenga en cuenta que todas las entradas y salidas tienen exactamente tres funciones de pertenencia. Las 3 funciones de pertenencia representan los 3 grupos que fueron identificados por subclust. Cada entrada en el FIS representa una variable de entrada en el conjunto de datos datin de entrada y cada salida en el FIS representa una variable de salida en el datout dataset de salida. De forma predeterminada, la funcin de pertenencia en primer lugar, in1cluster1, de la poblacin de la primera entrada ser seleccionado en el editor de la funcin de pertenencia. Observe que el tipo de funcin de pertenencia es "gaussmf" (tipo gaussiano

funcin de pertenencia) y los parmetros de la funcin de pertenencia son [1,162 1,877], donde 1,162 representa el coeficiente de difusin de la curva gaussiana y 1,877 representa el centro de la curva gaussiana. in1cluster1 captura la posicin y la influencia del primer grupo para la poblacin variable de entrada. (C (1,1) = 1,877, S (1) = 1,1621) Del mismo modo, la posicin y la influencia de los otros 2 grupos de la poblacin variable de entrada son capturados por las funciones de pertenencia y de otros dos in1cluster2 in1cluster3. El resto de las 4 entradas de seguir la misma pauta imitando la posicin e influencia de los 3 grupos a lo largo de sus respectivas dimensiones del conjunto de datos. Ahora, vamos a explorar cmo las reglas borrosas se construyen. ruleedit (myfis) Figura 5: El editor de reglas grfica ruleedit es el editor grfico de reglas difusas. Como puede notar, hay exactamente tres reglas. Cada regla intenta asignar un clster en el espacio de entrada a un clster en el espacio de salida. La primera regla puede ser explicado simplemente como sigue. Si las entradas para el FIS, la poblacin, viviendas, vehculos num, el ingreso y el empleo, la fuerza pertenecen a sus respectivas funciones cluster1 miembros, la salida, nmero de viajes, con fuerza deben pertenecer a la funcin de pertenencia cluster1. El (1) al final de la regla es para indicar que la regla tiene un peso o un importancia de "1". Los pesos pueden tomar cualquier valor entre 0 y 1. Las reglas con pesos menores se cuentan menos en el resultado final. La importancia de la regla es que sucintamente asigna el grupo 1 en el espacio de entrada para el grupo 1 en el espacio de salida. De manera similar a los otros dos reglas racimo mapa 2 y el grupo 3 en el espacio de entrada al grupo 2 y grupo 3 en el espacio de salida. Si ms de cerca con el grupo primero punto de datos, o en otras palabras, que tienen gran nmero de miembros del primer grupo, se alimenta como entrada a myfis Rule1 continuacin se disparar con ms fuerza de disparo que los otros dos reglas. Del mismo modo, una entrada con gran nmero de miembros que el segundo grupo se disparar la segunda regla con la fuerza de coccin ms que las otras dos reglas, y as sucesivamente. La salida de las reglas (disparando fuertes) se utilizan para generar la salida de la FIS a travs de las funciones de salida de adhesin.

La salida de uno de los FIS, nmero de viajes, dispone de 3 funciones de pertenencia lineales que representan los 3 grupos identificados por subclust. Los coeficientes de las funciones de pertenencia lineales, aunque no se toman directamente de los centros de los conglomerados. En su lugar, se estiman a partir del conjunto de datos utilizando la tcnica de estimacin por lo menos plazas. Todas las 3 funciones de pertenencia en este caso ser de la forma a la poblacin * + b * unidades de vivienda + C * num vehculos + d + e ingreso * empleo * + f, donde a, b, c, d, eyf representan el coeficientes de la funcin de pertenencia lineal. Haga clic en cualquiera de los nmero de las funciones de los viajes de miembros en el editor de funciones de pertenencia para observar los parmetros de estas funciones de pertenencia lineales. Uso de la FIS para la exploracin de datos Ahora puede utilizar el FIS que se ha construido para entender las dinmicas subyacentes de la relacin que se est modelando. SURFVIEW (myfis) Figura 6: Input-Output de superficie visor SURFVIEW es el visor de la superficie que ayuda a ver la superficie de entrada-salida del sistema difuso. En otras palabras, esta herramienta simula la respuesta del sistema difuso para toda la gama de entradas que el sistema est configurado para trabajar. Posteriormente, la salida o la respuesta del FIS a las entradas se representan grficamente frente las entradas como una superficie.Esta visualizacin es muy til para entender cmo el sistema se va a comportar para toda la gama de valores en el espacio de entrada. En el grfico de arriba muestra el visor de la superficie de la superficie de salida para dos entradas de la poblacin y el nmero de unidades de vivienda. Como se puede ver el nmero de viajes en automvil aumenta con el aumento de unidades de poblacin y vivienda, lo cual suena muy racional. Puede cambiar las entradas en los X e Y cuadros desplegables para observar la superficie de salida con respecto a las entradas que usted elija. ruleview (myfis) Figura 7: Regla visor que simula todo el proceso de inferencia difuso ruleview es el simulador grfico para la simulacin de la respuesta de la FIS para valores especficos de las variables de entrada. Ahora, despus de haber construido el sistema difuso, si queremos entender cuntos viajes se producir para una configuracin demogrfica particular, por ejemplo una zona con una poblacin en particular, un cierto

nmero de unidades de vivienda y as sucesivamente, esta herramienta le ayudar a simular el FIS respuesta para la entrada de su eleccin. Otra caracterstica de esta herramienta de interfaz grfica de usuario es, le da una instantnea del proceso de inferencia todo, desde cmo las funciones de pertenencia estn siendo satisfechos en toda regla a la forma en que el resultado final se genera a travs de defuzzificacin. Conclusin En este ejemplo se ha intentado transmitir cmo la agrupacin y la lgica difusa se pueden emplear como tcnicas eficaces para el modelado de datos y anlisis. La lgica difusa tambin ha encontrado diversas aplicaciones en otras reas de la tecnologa como control no lineal, control automtico, procesamiento de seales, sistema de identificacin, reconocimiento de patrones, prediccin de series temporales, minera de datos, aplicaciones financieras, etc, Explora otros demos y la documentacin de ms penetracin en la lgica difusa y sus aplicaciones. Glosario espacio de entrada - es un trmino utilizado para definir el rango de todos los valores posibles en el conjunto de datos. Cuando se utiliza subclust el espacio de entrada se refiere a toda la gama de valores entre el mximo y el mnimo en cada dimensin (columna) de la base de datos. defuzzificacin - el proceso de transformacin de una salida borrosa de un sistema de inferencia difusa en una salida ntida. la fuerza de disparo - El grado en que se cumple la parte antecedente de una regla difusa. Tambin se conoce como grado de cumplimiento. sistema de inferencia difuso (FIS) - El nombre general para un sistema que utiliza razonamiento difuso para asignar un espacio de entrada a un espacio de salida Referencia: [Chi94] - S. Chiu, "la identificacin del modelo difuso basado en la estimacin de racimo", J. de la inteligente y Sistemas Difusos, vol. 2, No. 3, 1994. Derechos de autor 1994-2006 The MathWorks, Inc. Publicado con MATLAB 7.12 MATLAB y Simulink son marcas comerciales registradas de The