9、华沙电车旅行时间预测与医疗诊断规则提取研究

华沙电车旅行时间预测与医疗诊断规则提取研究

1. 华沙电车旅行时间预测

在华沙电车旅行时间预测方面，提出并测试了三种方法，分别是当前延迟传播、历史平均旅行时间和神经网络模型。这些方法的基本思路是基于当前车辆位置（当前延迟）和历史旅行数据来预测旅行时间，相关数据每15秒从电车的GPS位置获取。

所有提出的方法都优于基于官方时刻表的预测。其中，历史平均旅行时间法表现最佳，将预测误差从官方时刻表的3分钟降低到了2分钟。此外，研究结果还显示，高峰时段（8:00和16:00）与其他测试时段（12:00和20:00）存在明显差异。高峰时段的旅行时间更长，也更难预测，在这种情况下，神经网络模型的效果最好。

后续计划对节假日和正常周的延迟情况与预测方法进行比较。因为在华沙的学校假期期间，交通流量明显减少，所以研究这种差异是否会在旅行时间预测中体现出来是很有意义的。同时，还计划对华沙的公交车进行类似研究，并与电车进行比较。

2. 医疗诊断规则提取

在医疗诊断规则提取领域，Dempster - Shafer理论（DST）与模糊集理论（FST）的结合是支持医疗诊断的合适工具，它们能够处理医疗知识的不确定性和数据的不精确性。

2.1 医疗诊断支持基础

医疗诊断支持通常基于IF - THEN规则，通过症状（前提条件）和诊断（结论）进行推理。使用DST和FST可以定义模糊焦点元素，它是与特定医疗数据症状相关的简单或复杂逻辑条件。模糊焦点元素的一般形式为：
[s(r_l) : X_j \text{ is } A^{(r_l)} j \land \cdots \land X_k \text{ is } A^{(r_l)}