Real-Time and Predictive Analytics for Smart Public Transportation Decision Support System

Healthcare industry is undergoing changes at a tremendous rate due to healthcare innovations. Predictive analytics is increasingly being used to diagnose the patient’s ailments and provide actionable insights into already existing healthcare data. The paper looks at a decision support system for determining the health status of the foetus from cardiotographic data using deep learning neural networks. The foetal health records are classified as normal, suspect and pathological. As the multiclass cardiotographic datset of the foetus shows a high degree of imbalance a weighted deep neural network is applied. To overcome the accuracy paradox due to the multiclass imbalance, relevant metrics such as the sensitivity, specificity, F1 Score and Gmean are used to measure the performance of the classifier rather than accuracy. The metrics are applied to the individual classes to ensure that the positive cases are identified correctly. The weighted DNN based classifier is able to classify the positive instances with Gmean score of 91% which is better than than the SVM classifier.

Download Full-text

Διερεύνηση δυνατοτήτων συμβολής μεθόδων μη καταστρεπτικού ελέγχου στη διάγνωση και στον έλεγχο ποιότητας δομικών υλικών με έμφαση στην αειφόρο κατασκευή

10.12681/eadd/36487 ◽

2015 ◽

Author(s):

Νικόλαος Κατσιώτης

Keyword(s):

Decision Support ◽

Expert System ◽

Decision Support System ◽

Real Time ◽

Support System ◽

Image Pattern

Στην παρούσα Διδακτορική Διατριβή παρουσιάζεται η διερεύνηση των δυνατοτήτων συμβολής μεθόδων μη-καταστρεπτικού ελέγχου στη διάγνωση και στον έλεγχο ποιότητας δομικών υλικών με έμφαση στην Αειφόρο Κατασκευή. Ως προς το παραπάνω σκοπό, πραγματοποιήθηκε εκτενής μελέτη των υπό έρευνα δομικών υλικών (δοκιμίων σκυροδεμάτων 5 συνθέσεων, έκαστη σύνθεση αποτελούμενη από διαφορετικό τύπο, ποιότητα και κατηγορία αντοχών του περιεχόμενου τσιμέντου) μέσω τόσο συμβατικών/παραδοσιακών (καταστρεπτικών) τεχνικών ανάλυσης όσο και καινοτόμων μη-καταστρεπτικών τεχνικών χαρακτηρισμού.Η μέθοδος που αναπτύχθηκε στα πλαίσια της παρούσας Διδακτορικής Διατριβής αφορά την συνδυαστική και συνεργατική εφαρμογή των μη-καταστρεπτικών τεχνικών της Μικροσκοπίας Οπτικών Ινών και της Ψηφιακής Επεξεργασίας Εικόνας. Περισσότερο συγκεκριμένα, παρασκευάσθηκαν δοκίμια σκυροδεμάτων στον ξυλότυπο (“καλούπι”) των οποίων είχε προσαρμοστεί κατάλληλο πλαίσιο (“παράθυρο”) παρατήρησης και λήψης εικόνων μέσω του οποίου εφαρμόστηκε Μικροσκοπία Οπτικών Ινών σε τακτά διαστήματα πραγματικού χρόνου (“real-time”) κατά την διάρκεια της τοποθέτησης/σκυροδέτησης αυτών. Εν συνεχεία, οι εικόνες υφής αυτές επεξεργάστηκαν κατάλληλα μέσω αλγορίθμου Ψηφιακής Επεξεργασίας Εικόνας (ο οποίος αναπτύχθηκε και αριστοποιήθηκε για τις ανάγκες της συγκεκριμένης Έρευνας και εφαρμογής) σε υπολογιστικό περιβάλλον MatLab®, και εξήχθησαν ποσοτικές πληροφορίες χαρακτηρισμού της δεδομένης εικόνας ανά χρονική στιγμή λήψης αυτής.Τα πειραματικά αποτελέσματα αυτά τροφοδοτήθηκαν αυτομάτως (και σε πραγματικό χρόνο - “real-time”) σε κατάλληλη πληροφοριακή γνωσιακή βάση δεδομένων, η οποία αποτέλεσε το έναυσμα για περαιτέρω αξιοποίηση των περιεχόμενων πληροφοριών, υπό την μορφή εύρεσης και έκφρασης κατάλληλου μαθηματικού συσχετισμού (“correlation”). Εν συνεχεία και βάσει του αναπτυχθέντος ημιεμπειρικού μαθηματικού μοντέλου, έλαβε χώρα μετάβαση σε έμπειρο σύστημα υποστήριξης απόφασης (“expert system”), ικανό να ανταποκρίνεται στις ανάγκες της Κατασκευής (σε πραγματικό τόπο, χρόνο και κλίμακα).Στα Συμπεράσματα της παρούσας Διδακτορικής Διατριβής συμπεριλαμβάνεται η επιτυχής συνδυαστική αξιοποίηση μη-καταστρεπτικών τεχνικών Μικροσκοπίας Οπτικών Ινών και Ψηφιακής Επεξεργασίας Εικόνας ως προς την λήψη αντιπροσωπευτικών επιφανειακών εικόνων υφής/μικροδομής (“image patterns”) σε ορισμένες χρονικές στιγμές αμέσως μετά την έναρξη της σκυροδέτησης (αρχή,+ 5, +10, +15, +20, +25, +30, +40, +50, 60λεπτά). Οι ληφθείσες ψηφιακά επεξεργασμένες εικόνες μικροδομής συσχετίστηκαν (μέσω εκτεταμένου προγράμματος γραμμικών παλινδρομήσεων) με τις τελικές μηχανικές αντοχές των παραχθέντων σκυροδεμάτων και συμπεραίνεται η εντονότερη βαρύτητα/σχέση των μορφολογικών παραμέτρων του “κεντροειδούς” και του “αριθμού Euler” (καθόλες τις χρονικές στιγμές), σε μεγέθυνση 25x και όριο κατωφλίωσης/threshold 110. Πέραν αυτών, η αποτίμηση της μικροδομής από τα ληφθέντα image pattern ενσωματώνεται επιτυχώς σε εξειδικευμένη γνωσιολογική βάση δεδομένων και η Γνώση αυτή μετατρέπεται (μέσω τεχνητής νοημοσύνης και εφαρμογής γενετικών αλγορίθμων σε περιβάλλον MatLab®) σε έμπειρο σύστημα (“expert system”) υποβοήθησης/υποστήριξης αποφάσεων (“decision support system”) Αειφορίας στην Κατασκευή.

Download Full-text

Penentuan Prioritas Pengambilan Pesanan Barang Oleh Angkutan Kota dengan Metode Rule-Based System

JURNAL SISTEM INFORMASI BISNIS ◽

10.21456/vol8iss2pp81-88 ◽

2018 ◽

Vol 8 (2) ◽

pp. 81

Author(s):

Nur Aini Rakhmawati ◽

Aditya Septa Budi ◽

Faizal Johan Altetiko ◽

Fajar Ramadhani ◽

Nanda Kurnia Wardati ◽

...

Keyword(s):

Decision Support ◽

Decision Support System ◽

Support System ◽

Public Transportation ◽

Storage Capacity ◽

Urban Transportation ◽

Urban Transport ◽

Rule Based ◽

Rule Based System ◽

Passenger Transportation

Angkotin is a system that provides an alternative for urban transport to not only be used for passenger transportation, but also as freight service. Therefore, it needs a decision support system for taking order to delivery to the destination according to each criterion from urban transportation. The method used to develop this decision support system is a rule-based system. The result of this research is a decision support system that can help public transportation to find orders that can be taken based on four factors, such as distance, direction, route code, and status of storage capacity. Based on these four factors, the system can provide an order recommendation under the appropriate conditions through the Angkotin application. Based on our experiment, our system performs on 7 seven cases as expected.

Download Full-text