![Institutional Repository [SANDBOX]](images/dias.logo.png "Institutional Repository [SANDBOX]"){kind=logo}
Institutional Repository [SANDBOX]
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/B4E82830-2615-4B13-9179-0AA8D449AFEF | ||
| Year | 2016 | ||
| Type of Item | Diploma Work | ||
| License |
|
||
| Bibliographic Citation | Χρήστος Δημητρέλος, "Πρόβλεψη πωλήσεων υβριδικών και ηλεκτρικών αυτοκινήτων με νευρο-ασαφή ελεγκτή (ANFIS)", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2016 https://doi.org/10.26233/heallink.tuc.66139 | ||
| Appears in Collections |
Στην παρούσα διπλωματική εργασία κάνουμε πρόβλεψη των τιμώντων πωλήσεων υβριδικών και ηλεκτρικών αυτοκινήτων στις ΗΠΑ με τη χρήσηενός Νευρο-ασαφούς συστήματος, του ANFIS. Αν και η πρόβλεψη των πωλήσεων αυτοκινήτωνείναι ένα πολύ σημαντικό κομμάτι των αυτοκινητοβιομηχανιών, λίγη έρευναέχει διεξαχθεί στον τομέα της πρόβλεψης των πωλήσεων τους και ακόμηλιγότερη στον τομέα των αυτοκινήτων που χρησιμοποιούν για καύσιμοεναλλακτικές μορφές ενέργειας. Η παρούσα εργασία έρχεται να εμπλουτίσειτο κομμάτι αυτό της βιβλιογραφίας και να εισάγει έναν νέο τομέα, αυτό τωννευροασαφών συστημάτων, στην πρόβλεψη πωλήσεων ηλεκτρικών καιυβριδικών αυτοκινήτων.Τα δεδομένα που χρησιμοποιήθηκαν είναι μηνιαίες τιμές την τελευταίατετραετία και “αλλιεύτηκαν” από την Electric Drive Sales Associationhttp://electricdrive.org/.Το μοντέλο ANFIS που χρησιμοποιήθηκε είναι συνδυασμός δύοτεχνικών τεχνητής νοημοσύνης. Της Ασαφούς Λογικής και των ΝευρωνικώνΔικτύων. Η ασαφής λογική παίρνοντας σαφείς τιμές, τις ασαφοποιεί με σκοπόνα δημιουργήσει ένα εύρος τιμών, ούτως ώστε η λήψη αποφάσεων να γίνεταιπιο αντικειμενικά. Το μειονέκτημά της είναι ότι δεν μπορεί να επεξεργαστείμεγάλο πλήθος δεδομένων. Τα νευρωνικά δίκτυα έχουν την ικανότητα ναεπεξεργάζονται μεγάλο όγκο δεδομένων και να βρίσκουν συσχετίσεις μεταξύεισόδων και εξόδων αλλά δεν είναι αρκετά καλά στη λήψη αποφάσεων.Χρησιμοποιώντας τα πλεονεκτήματα των δύο μεθόδων, δηλαδή τις τεχνικέςμάθησης των νευρωνικών δικτύων και το ισχυρό μαθηματικό υπόβαθρο τηςασαφούς λογικής, το ANFIS έχει την ικανότητα για ακριβείς προβλέψεις υπόυψηλή αβεβαιότητα.Για την αξιολόγηση του μοντέλου χρησιμοποιήθηκαν τα στατιστικάσφάλματα MSE, RMSE, MAE και MAPE για κάθε μία από τις τρειςπεριπτώσεις υβριδικών αυτοκινήτων που μελετήθηκαν. Τα Hybrids (HEVs),Plug-In Hybrid (PHEVs) - Extended Range (EREVs) και Battery (BEVs).Επίσης έγινε σύγκριση των αποτελεσμάτων του μοντέλου με αυτά τωνμοντέλων ΑR και ARMA τα οποία χρησιμοποιούνται κατά κόρον τόσο στοντομέα της έρευνας όσο και στην αγορά. Βασικό κριτήριο σύγκρισης είναι τοRMSE. Σύμφωνα με τα αποτελέσματα, σε όλες τις περιπτώσεις το ANFISσυμπεριφέρεται καλύτερα από τα άλλα δύο μοντέλα. Αυτό οφείλεται στογεγονός πως το ANFIS έχει τη δυνατότητα να εντοπίζει με μεγαλύτερηακρίβεια την αβεβαιότητα μέσα σε ένα πλήθος δεδομένων με υψηλήδιακύμανση σε σχέση με τα μοντέλα παλινδρόμησης. Αυτό κυρίωςπαρατηρείται στην δεύτερη περίπτωση. Στις άλλες δύο περιπτώσεις μπορεί ναμην υπάρχει υψηλή διακύμανση όμως το μοντέλο μας και τότε έχει υψηλότερηακρίβεια πρόβλεψης. Βάσει των παραπάνω αποτελεσμάτων μπορούμε ναισχυριστούμε ότι το ANFIS είναι κατάλληλο για την πρόβλεψη των πωλήσεωνυβριδικών αυτοκινήτων στις ΗΠΑ.
Copyright © DIAS 2013
