Neuronales Data Mining unter chaostheoretischen Aspekten in technisch-kybernetischen Systemen : Konstruktivistische Sichtweisen und Ansätze in der Verkehrstelematik

Abstract

In einem mikroskopisch motivierten Ansatz wurden KNN zur Klassifikation bzw. Prognose von Verkehrskenngrößen eingesetzt. Die Kurzfristprognose (15 Minuten bis 2 Stunden) von Geschwindigkeiten rückt aufgrund von LKW-Mautdaten in das Zentrum der Betrachtungen. Einerseits drehen sich die Fragen um die Datenselektion hinsichtlich chaostheoretischer Konzepte zur Optimierung von Lernprozessen. Der BETA-Converter ist ein auf MatLab basierender Prototyp, mit dessen Hilfe ein erster Zugang in der Darstellung von chronologischen Messwerten gegeben wird. Weiters wird ein Ansatz vorgestellt, der sich der Indikatoren für Stabilität (Entropie und Ljapunow-Exponent) bedient: Das so erfundene ALEV-Verfahren (Aspekte von Lyapunov, Entropie und Varianz) wurde zur Patentierung angemeldet und eignet sich für die Reduktion großer Datenbestände von Zeitreihen. Auf dieser Basis wurden Multi-Layer-Perceptrons (MLPs) und weitere fortgeschrittene Feed-Forward Netze mit den so chaos-theoretisch gefilterten Datensätzen beschickt und hinsichtlich ihrer Prognosegüte untersucht. Dabei erfolgten auch Untersuchungen hinsichtlich der Einbettungsdimension von Geschwindigkeitssequenzen. Mit dem Einsatz von genetischen Algorithmen wurden KNN evolutionär optimiert.<br />Sensitivitätsanalysen ermöglichen tiefere Einblicke in das abgebildete nichtlineare Systemverhalten. Perturbationsdiagramme ermöglichen das Ergründen von Kausalauswirkungen und deren zeitliche Relevanz in der Vergangenheit. Zuletzt wird ein Ausblick gegeben, der sich mit zukünftigen Anwendungen und Forschungsthemen beschäftigt. Der übergeordnete Begriff Neuronales Data Mining (NDM) rückt dabei den Menschen und die Maschine erkenntnistheoretisch näher zusammen und den Menschen dabei im speziellen in den Vordergrund: Er ist es, der beschreibt und modelliert. Jede Theorie ist ein weiterer Aspekt auf der Suche nach einem Gesamtbild. Und das System, das es zu beschreiben gilt, ist von technisch-kybernetischer Natur: sozial und biologisch dominiert, technologisch getragen. Hochkomplex und nicht linear.<br />

In a microscopic-motivated approach Artificial Neural Networks (ANN) have been used for the classification and prognosis of traffic parameters. It scopes on short time prediction (15 minutes up to 2 hours) of speeds based on data which has been extracted out of the heavy-traffic tolling system. One the one hand questions about data selection in respect to nonlinear concepts for the optimisation of learning processes are discussed. The [beta]-Converter is a MatLab based prototype, which gives a first approach in the statement of chronological measurements. On the other hand an approach is introduced which handles the indicators for stability (Entropy and Lyapunov-exponent). The so called ALEV-Method (Aspects of Lyapunov, Entropy and Variance) has already proposed for patenting and is useful for the reduction of big stocks of timeseries data. Examinations regarding the embedding dimension of speed-sequences are carried out. On this basis Multi-Layer-Perceptrons (MLPs) and other advanced ANN architectures were loaded with filtered data in respect to chaos theory and analysed for prediction quality. Genetic Algorithms (GAs) have been used to optimize the ANNs in an evolutionary way. Sensitivity analysis offer deeper insights on the mapping of non-linear system behaviour.<br />Perturbation diagrams enable to fathom effects of causality and their timely relevance in the past. A corresponding reduction of input dimensions has been investigated. At last an outlook is given, which deals with possible applications and research topics in the future. The notion Neural Data Mining (NDM) tries to bring together the human being and the machine in the sense of epistemology and focuses on the human being, who describes and builds models. Every theory is another aspect on the quest for an overall picture. And the system, which is tasked to be described, is of technical-cybernetic nature: social and biological dominated, technological carried.