B10 – Entwicklung einer Methodologie für Natürliche Induktion in der Mustererkennung zur Unterstützung von selbststeuernden Transportprozessen (neu)

Motivation

In diesem Teilprojekt sollen Methoden für die automatische Entdeckung von Mustern aus zeitspannend übergreifenden und räumlich spezifischen Verkehrsdaten entwickelt werden. Diese Methoden basieren auf natürlichen induktiven Ansätzen, die versuchen, formales Wissen in für Menschen verständliche Formen wie natürlichsprachliche Beschreibungen oder graphische Repräsentationen darzustellen. Dies soll in einer entsprechenden Erweiterung eines Attributregellernsystems AQ21 implementiert und mit Daten aus dem SFB evaluiert werden.

Ziele 2. Phase (2008-2011)

Die Ziele dieses Teilprojekts, das in Kollaboration mit dem SFB 637 durchgeführt wird, sind die Entwicklung von Methoden für die automatische Entdeckung von Mustern aus zeitspannend übergreifenden und räumlich spezifischen Verkehrsdaten, der Entwurf und die Entwicklung entsprechender Software-Werkzeuge und die systematische Evaluation der Methoden mit multiagenten-basierten Simulationen auf Basis des PlaSMA-Systems.

Wissen, das Agenten zur Steuerung logistischer Prozesse lernen und anwenden, muss akkurat sein. Zusätzlich sollte es verständlich und modifizierbar für menschliche Domänenexperten sein. Der Grund für dieses weitere Ziel, das von gegenwärtigen Lernsystemen nicht erfüllt wird, ist, dass wissensbasierte Entscheidungen in einem selbststeuernden System für die menschlichen Akteure nachvollziehbar sein sollte. Die Repräsentation von Wissen und Modellen in verständlichen menschenorientierten Formen ist daher eine grundlegende Voraussetzung dafür, dass Softwareagenten ihre Entscheidungen begründen können. Darüber hinaus kann prozessrelevantes Wissen durch Domänenexperten validiert und möglicherweise komplementiert werden.


Vorgehen 2. Phase (2008-2011)

Um die genannten Ziele, verständlich repräsentierte Wissensmodelle zu generieren, zu erreichen, ist der Lernansatz der Natürlichen Induktion naheliegend. Er versucht Muster in vorliegenden Datensätzen zu finden, die in Formen kodiert werden, die natürlichsprachlichen Ausdrücken nahekommen.

Das AQ21 Regellernsystem wurde daher genutzt, um Verkehrsmuster aus Daten zu lernen, die von Lastwagenagenten über längere Zeiträume in Simulationen gesammelt wurden. Als generisches Werkzeug um Attributklassifikatoren aus Daten mit multiplen Klassen zu lernen, musste AQ21 in die PlaSMA Simulationsplattform integriert werden. Das Lernsystem musste ebenfalls mit Erweiterungen ausgestattet werden, die den Umgang mit unvollständigen und mehrdeutigen Daten ermöglichen. Diese Schritte erlaubten folglich eine detaillierte Auswertung der Lernperformanz und der Konvergenz von AQ21 in logistischen Szenarien.

In einem komplementären Forschungsansatz wurde ebenfalls das Learnable Evolution Model (LEM), das einen nicht-darwinistischen evolutionären Optimierungsansatz darstellt, genutzt, um individuelle Lastwagen-Einsatzpläne zu optimieren.

Ergebnisse 2. Phase (2008-2011)

Zusammen mit dem Teilprojekt B4 wurden PlaSMA-basierte Experimente durchgeführt, in denen Transportagenten unabhängig voneinander versuchten, ihre jeweiligen Lieferungswege dahingehend zu optimieren, ihre Fahrzeiten basierend auf unterschiedlichen Prädiktionsmodellen zu minimieren. Wobei manche Agenten nur Wetterinformationen benutzen, konnten andere zusätzlich mit AQ21 Prädiktionsmodelle entwickeln, um Verkehrsstauungen zu vermeiden.
Statistische Evaluationen zeigten, dass die Agenten mit Zugang zu Wetterinformationen 5,3 % schneller waren als Agenten ohne Situationswissen, und Agenten mit Verkehrsprädiktionsmodellen waren um 6,3 % schneller. Dadurch wurde die durchschnittliche Fahrzeit signifikant – von 52 auf 36 Minuten pro 1000 Km – reduziert.

Zusätzliche Experimente mit einem Fokus auf der Lernzeit für Prädiktionsmodelle zeigten, dass schon die Daten eines Monats ausreichen, um annähernd optimale Modelle zu erlangen. AQ-Lernen wurde ebenfalls erfolgreich mit Q-Lernen kombiniert, um noch besseres Konvergenzverhalten zu erlangen.

Letztlich wurde das Learnable Evolution Model genutzt, um individuelle Lastwagen-Einsatzpläne zu optimieren.