model za procenu troškova i vremena izgradnje gradskih ...
model za procenu troškova i vremena izgradnje gradskih ...
model za procenu troškova i vremena izgradnje gradskih ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
MODEL ZA PROCENU TROŠKOVA I VREMENA IZGRADNJE GRADSKIH SAOBRAĆAJNICA<br />
rough set), teorijom najmanjih kvadrata (LS – least squares) i fast messy genetic algorithm<br />
(fmGA).<br />
Pored pomenutih autora primenom SVMs <strong>model</strong>a u građevinarstvu su se bavili i Lam,<br />
Palaneeswaran i Yu (2009) <strong>za</strong> rešavanje problema predkvalifikacije izvođača radova, Tsering, i<br />
ostali (2011) <strong>za</strong> izbor izvođača radova sa aspekta finansijskig rizika koje generiše, Wang, Yu i<br />
Chan (2012) <strong>za</strong> klasifikaciju građevinskih projekata prema uspešnosti reali<strong>za</strong>cije, kao i mnogi<br />
drugi.<br />
Razlika u definsanju <strong>model</strong>a <strong>za</strong> potrebe procene <strong>troškova</strong> i/ili <strong>vremena</strong> <strong>izgradnje</strong>, baziranih na<br />
veštačkoj inteligenciji (uglavnom primenom ANN) se ogleda prvenstveno u definisanju ulaznih<br />
veličina, a samim tim i u njihovoj pripremi. Dakle, osnovna razlika u pristupima jeste upravo<br />
uslovljena raspoloživim podacima koji će se koristiti <strong>za</strong> <strong>procenu</strong> osnovnih parametara (cena i<br />
vreme <strong>izgradnje</strong>), tj. <strong>za</strong> <strong>procenu</strong> potencijalnih građevinski projekata. Pored razlike u dostupnim<br />
podacima prilikom definisanja <strong>model</strong>a, postoje i razlike u pripremi podataka, u načinu definisanja<br />
težinskih koeficijenata (kod ANN), načinu obučavanja <strong>model</strong>a i sl.<br />
Osnovni preduslov <strong>za</strong> uspešnu primenu veštačke inteligencije (Artificial Neural Networks i<br />
Support Vector Machine) kao i <strong>za</strong> primenu <strong>model</strong>a <strong>za</strong> <strong>procenu</strong> posla prika<strong>za</strong>nih u Poglavlju 2 je<br />
dobro pripremljena ba<strong>za</strong> podataka.<br />
Iako je rezultat procesa obuke <strong>model</strong>a (algoritama) baziranih na veštačkoj inteligenciji<br />
aproksimirajuća funkcija (aproksimira <strong>za</strong>visnost između ulaznih i izlaznih podataka) stvarna<br />
“moć” <strong>model</strong>a je okarakterisana dobrom generali<strong>za</strong>cijom. Pod generali<strong>za</strong>cijom se podrazumeva<br />
sposobnost algoritma (<strong>model</strong>a) da ne pravi grešku u regresiji kada se kao ulazni podaci koriste<br />
koji nisu korišćeni u toku obuke (validacioni/test podaci). Dobre performanse podataka <strong>za</strong><br />
treniranje su neophodan ali ne i dovoljan uslov <strong>za</strong> dobar <strong>model</strong>. Dakle, dobar <strong>model</strong> je<br />
okarakterisan dobrom sposobnošću generali<strong>za</strong>cije.<br />
Priprema baze nije dovoljna ukoliko podaci nisu <strong>za</strong>daovoljavajućeg kvaliteta. Formiranje baze<br />
podataka je neophodno, ali je veoma značajno prilikom pripreme baze <strong>za</strong> potrebe formiranje<br />
<strong>model</strong>a definisati koji podaci <strong>za</strong> određene <strong>model</strong>e predstavljaju informacije, odnosno koji podaci<br />
će se koristiti. Informacijom se mogu smatrati “sistemski organizovani podaci”. Primenjiva<br />
informacija nam omogućava da bolje odlučujemo i daje nam efektivan input što se odvija<br />
obezbeđivanjem informacije na pravom mestu, u pravo vreme i na pravi način. (Radosavljević,<br />
2008)<br />
U narednom poglavlju su prika<strong>za</strong>ne opšte smernice <strong>za</strong> formiiranje baze podataka, ali i prikaz<br />
anali<strong>za</strong> izvršenih na prikupljenim podacima kao i njihova priprema <strong>za</strong> formiranje <strong>model</strong>a pomoću<br />
NNs i SVMs.<br />
Veštačka inteligencija 46 Igor Peško
Change language