Программная система для интеллектуального анализа данных службы такси

Служба такси является неотъемлемой частью жизни сегодняшнего общества. Организация такой службы требует централизованного сбора и обработки значительного объема информации, необходимой для оперативной работы. Как правило, программное обеспечение, используемое в службах такси, занимается оперативным сбором и визуализацией информации, а ее анализ и принятие решений возложено на диспетчера. Таким образом, имеется необходимость повысить эффективность использования данных, выявить из стандартного их набора дополнительную информацию и тем самым облегчить процесс принятия решения.

Наиболее важными задачами представляются следующие: прогнозирование районов, из которых поступят вызовы в определённое время суток, и прогнозирование поведения конкретного работника службы такси в течение рабочей смены. Решение первой задачи позволит планировать стратегическое размещение машин по городу в зависимости от времени суток, и таким образом обеспечивать наискорейшее прибытие машины к клиенту, опережая конкурирующие фирмы. Решение второй задачи позволит оптимизировать действия работников, а также получить некое обобщенное представление об их поведении за день. Например, если наблюдается большое число посещений станции технического обслуживания или заправок разными работниками, особенно в те часы, когда поток клиентов наибольший – имеет смысл подумать о модернизации парка автомобилей, чтобы не упускать наиболее прибыльные часы работы.

Исходными данными для моделирования являются сведения из баз данных «Заказы» и «Персонал». Таблица «Заказы» содержит данные о вызовах, поступивших в службу такси, и о ходе их выполнения (дата и время поступления заказа, точный адрес и район вызова, данные об операторе, диспетчере и водителе, обслуживающим данный заказ и т.п.); таблица «Персонал» – о действиях, выполняемых сотрудниками службы за некоторый промежуток времени.

Была поставлена и решена задача проектирования программной системы, способной решать такие задачи интеллектуального анализа данных, как прогнозирование. В качестве математического аппарата выбран метод искусственных нейронных сетей. Для обучения сети используется метод обратного распространения ошибок [1].

Проектирование информационной системы осуществлялось на унифицированном языке моделирования UML [2]. Возможности системы в виде диаграммы вариантов использования представлены на рис. 1, ее структура в виде диаграммы классов – на рис. 2.

Рис. 1. – Диаграмма вариантов использования

Рис. 2. – Диаграмма классов

Программная реализация спроектированной системы была осуществлена в среде программирования Borland-Delphi 7. Рассмотрим в качестве примера решение задачи прогнозирования поведения работников в течение смены. В качестве входных параметров в нейронной сети будет использоваться табельный номер работника, время суток и действие (приход, уход, перемещение). В качестве выходного поля выбираем место действия, т.е. куда отправится (или откуда вернется) данный работник в данное время. В сети будет один скрытый слой с четырьмя нейронами. Описанные настройки и результат работы приложения показаны на рисунках 3-6.

Рис. 3. – Выбор полей

Рис. 4. – Настройка слоев сети

Рис. 5. – Настройка обучения сети

Рис. 6. – Сервис «Что-если»

Литература:

1. Ковалевский С.В. Создание и применение нейронных сетей для решения прикладных задач: Учеб.-метод. пособие / С.В. Ковалевский, В.Б. Гитис. – Краматорск: ДГМА, 2005. – 80 с.
2. Мельников А.Ю. Объектно-ориентированный анализ и проектирование информационных систем: Учебн. пособие / Мельников А.Ю. – Краматорск: ДГМА, 2006. – 184 с.