توضیحات
چکیده
بسیاري از سیستم هاي خدمت رسان ، براساس صف عمل میکنند. یک هدف اساسی در چنین سیستم هایی بهبود توان عملیاتی از طریق کاهش زمان انتظار در صف است. استفاده از الگوریتم هاي داده کاوي و یادگیري ماشین، یکی از راه حلها جهت نیل به این هدف میباشد. در این مقاله یک الگوریتم داده کاوي به منظور بهبود توان عملیاتی از طریق کاهش زمان انتظار ارائه شده است. الگوریتم پیشنهادي، شامل دو مرحله کلاس بندي و انتخاب ویژگی میباشد. در اولین قدم از این الگوریتم ترکیبی، ضمن برچسب گذاري کلاس نمونه هاي ورودي، کار انتخاب ویژگی جهت استخراج ویژگی هاي مؤثر بر زمان انتظار این نمونه ها انجام میشود. در مرحله دوم به، منظور بهبود تفکیک نمونه هاي دسته بندي شده در فاز اول، از تحلیل هاي آماري نظیر برازش منحنی، تحلیل واریانس و مفاهیم تخصصی مرتبط با موضوع نظیر تعیین نرم عملکرد سیستم خدمت رسان، استفاده شده است. در این مقاله، از اطلاعات مربوط به تراکنشهاي یک بندر کانتینري جهت ارائه الگوریتم پیشنهادي استفاده شده است. لازم به ذکر است، الگوریتم پیشنهادي قابل استفاده در کلیه سیستمهاي خدمت رسان مشابه میباشد.
مقدمه
پیشرفت در تکنولوژي جمع آوري و ذخیـره سـازي داده هـاي رقمی، منجر به شکل گیري و رشد بانک هـاي اطلاعـاتی عظیمـی شده است. در این حجم عظیم داده، دانش مخفی قـرار دارد کـه داراي اهمیت بسیاري است. از آنجا که مدیریت این حجم عظـیم داده امري پیچیده بوده و در حقیقـت تنهـا مقـدار کمـی از ایـن داده ها استفاده خواهند شد، توانایی استخراج دانش مفیـد پنهـان در این داده ها و عمل بر اساس آن در دنیاي رقابتی امروز، اهمیت بسیار زیادي یافته است . بسیاري از سیستمهاي خدمترسـان، براسـاس صـف عمـل میکنند . در این سیستمها مراجعین، بـه ترتیـب وارد شـده و در صورت عدم امکان پذیرش به وسیله سیستم خدمت رسـان، زمـان انتظاري را متحمل میشوند. افزایش بازده و بهبود توان عملیـاتی در چنین سیستم هایی، یکی از اهداف مهم میباشـد. اسـتفاده از الگوریتم هاي داده کاوي و یـادگیري ماشـین، یکـی از راه حـلهـا جهت نیل به هدف فوق میباشد.
ABSTRACT
Many service systems operate on a queue. A key objective in such systems is to improve operational efficiency by reducing waiting times in the queue. The use of data mining and machine learning algorithms is one of the solutions to this goal. In this paper, a data mining algorithm is proposed to improve operational efficiency by reducing waiting time. The proposed algorithm consists of two steps of classifying and selecting a feature. At the first step of this hybrid algorithm, while classifying the input sample class, the feature selection feature is used to extract the effective features on the waiting time of these samples. In the second step, in order to improve the breakdown of the samples grouped in the first phase, statistical analyzes such as curve fitting, analysis of variance and related concepts related to the subject, such as the softness of the function of the service system, have been used. In this paper, information on the transactions of a container port is proposed to provide the proposed algorithm. It should be noted that the proposed algorithm is applicable to all service providers.
INTRODUCTION
The advancement in the technology of collecting and storing digital data has led to the formation and growth of huge databases. In this massive amount of data, there is a hidden knowledge that is very important. Since managing this massive volume of data is complicated, and in fact only a small amount of this data will be used, the ability to extract hidden knowledge in this data and practice based on it in today’s competitive world has become very important. Many service providers operate on a queue. In these systems, the clients are logged in and if they can not be accepted by the service system, they will wait for the expected time. Increasing the efficiency and improving the operational capability of such systems is one of the most important goals. The use of data mining and machine learning algorithms is one of the solutions to achieve this goal.
Year: 2010
Publisher : Eighteenth International Energy Conference of Iran
By : Reyhaneh Rostami, Mohammad Reza Motah Boroujerdi
File Information: English Language/ 6 Page / size: 464 KB
سال :1389
ناشر : هجدهمین کنفرانس بین المللی برق ایران
کاری از : ریحانه رستمی ، محمد رضا مطش بروجردي
اطلاعات فایل : زبان انگلیسی / 6 صفحه / حجم : KB 464
نقد و بررسیها
هنوز بررسیای ثبت نشده است.