A scheme proposal for the development of machine learning-driven agent-based models through case studies
Makine öğrenmesi destekli etmen tabanlı modellerin geliştirilmesine yönelik bir plan önerisi: Örnek modeller
- Tez No: 860334
- Danışmanlar: DR. ÖĞR. ÜYESİ CAFER ERHAN BOZDAĞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 152
Özet
Ajan tabanlı modelleme, sosyal bilimlerden ekolojiye, ekonomiden trafik planlamasına kadar birçok farklı alanda araştırmacılar tarafından sıkça başvurulan bir yöntem haline gelmiştir. Bu modelleme tekniğini kullanarak gerçek dünya sistemlerini ve olayları simüle etmek, karmaşık davranışları ve etkileşimleri daha iyi anlamaya yardımcı olabilir. Ancak, model oluşturucuları, ajanların davranışlarını doğru bir şekilde tanımlama, etkileşimlerini modelleme ve genel olarak doğru ve etkili ajan tabanlı modeller oluşturma konusunda çeşitli zorluklarla karşılaşmaktadırlar. Makine öğrenimi tekniklerinin bu modelleme sürecine entegrasyonu, ajanların davranış kurallarının otomatik olarak türetilmesini sağlayabilir. Böylece, model oluşturma süreçlerini önemli ölçüde hızlandırabilir ve aynı zamanda modellerin doğruluk ve güvenilirliklerini de ciddi anlamda artırabilir. Bu tez çalışması, ajan tabanlı modellerle makine öğrenimi teknikleri arasındaki ilişkiyi detaylı bir şekilde ele almaktadır. Çalışma kapsamında, veri güdümlü ajan tabanlı modellerin getirdiği avantajlar ve karşılaşılan zorluklar detaylıca incelenmiştir. Ajan temelli modellerin oluşturulmasında kullanılan geleneksel yöntemlerle veriye dayalı yaklaşımlar arasındaki farklar, özellikleri ve karşımıza çıkan sınırlamalar tanıtılmıştır. Yapılan literatür taraması, ajan davranış kurallarının belirlenmesinin bu modellerin oluşturulmasında ana zorluk olduğunu ortaya koymuştur. Bu zorluğa çözüm getirmek amacıyla makine öğrenimi yaklaşımlarının nasıl entegre edilebileceğine yönelik bir ana şema sunulmuştur. Veriye dayalı ajan tabanlı modellemelerde literatürde öne çıkan iki temel yaklaşım bulunmaktadır: (i) ajan davranışlarını doğrudan denetimli öğrenme yöntemleriyle çıkarmak, (ii) gözlemlenen davranışların altında yatan nedenleri analiz ederek istatistiksel yöntemlerle bu davranışları modellemek. Araştırmacıların hangi yaklaşımı seçecekleri, modellemenin hedefine ve eldeki veriye bağlıdır. Bu çerçevede, model geliştirme süreçlerinin daha verimli ve etkin bir şekilde nasıl organize edilebileceği detaylandırılmıştır. Sunulan ana çerçeve içerisinde, makine öğrenimi ile entegre edilmiş üç farklı alt çerçeve tanıtılmıştır. Bu çerçeveler, ajan davranışlarının daha sofistike ve gerçekçi bir şekilde nasıl modellenebileceği üzerine kurulmuştur. Tahmin amacıyla bir ajan tabanlı model geliştirmek isteyen araştırmacılar için bir yol haritası, Alt Çerçeve I'de sunulmuştur. Bu çerçevede, denetimli makine öğrenimi teknikleri ajan davranışlarını elde etmek için kullanılmıştır. Sunulan bu Alt Çerçeve I'in uygulanabilirliğini test etmek amacıyla bir gerçek hayat problemi için çerçeve doğrultusunda bir ajan tabanlı model geliştirilmiştir. Geliştirilen model, Burkina Fasolu bireylerin göç davranışlarını tahmin etmek amacıyla oluşturulmuştur. Makine öğrenimi modelleri, ajan tabanlı simülasyon modelinde ajanların karar verme süreçlerini tahmin etmek için bir metamodel olarak kullanılmıştır. Makine öğrenimi modelleri ile elde edilen davranışın doğruluğunu iyileştirmek amacıyla ajanlar arasındaki etkileşim etkisi, makine öğrenimi modelinden elde edilen davranış çıktısıyla matematiksel bir formülasyon kullanılarak modele dahil edilmiş ve nihai ajan davranışları simülasyon modeli içinde kullanılmak üzere elde edilmiştir. Daha sonra elde edilen simülasyon modelinin çıktıları, gerçek ampirik veriler ve geçerliliği kabul görmüş başka bir ajan tabanlı modelin sonuçlarıyla karşılaştırılmış ve sonuçlar, makine öğrenimi ile elde edilen modelin tahmin başarısının daha yüksek olduğunu göstermiştir. Benzer şekilde, optimizasyon hedefleri için ajan tabanlı modeller oluşturmayı hedefleyen araştırmacılara rehberlik etmek için Alt Çerçeve II sunulmuştur. Bu çerçeve, bir yapay simülasyon ortamında test edilmiştir. Oluşturulan bu yapay ortamda, müşterilerin çeşitli promosyon tekliflerine nasıl tepki verdiklerini modellemek için İnanç-İstek-Niyet (BDI) mimarisini kullanan bir ajan tabanlı model önerilmiş ve bu model, müşterilere uygun promosyonu dinamik olarak öğrenen bir satıcı ajanını içermektedir. Literatürdeki ampirik araştırma bulgularını kullanarak, modelin BDI kısmı“Büyük Beş Faktör Modeli”temelinde geliştirilmiştir. Ayrıca, satıcı ajanını eğitmek için Q-öğrenme algoritması kullanılmıştır. Bu çalışmanın hedeflerinden biri, öğrenmeye dayalı karar verme ajanlarının kural temelli karar verme ajanlarından daha rekabetçi olabileceğini göstermek olduğu için, modele bir kural tabanlı ajan eklenmiş ve etkinliği Q-öğrenme ajanıyla karşılaştırılmıştır. Oluşturulan model, yapay bir pazarda bir dizi deney aracılığıyla test edilmiştir. Deney sonuçları, önerilen modelin satış promosyonu kararlarını otomatikleştirmek için gerçek uygulamalarda kullanılabileceğini göstermiştir. Ayrıca, optimizasyon amacıyla geliştirilen modellerin oluşturulmasında pekiştirmeli öğrenme tekniklerinin faydası ortaya konulmuştur. Ajan davranışının temel nedenlerini belirlemek ve bu belirlenen nedenlere dayanarak ajan davranışı oluşturmak için tersine pekiştirmeli öğrenme tekniklerini kullanarak anlama amacıyla geliştirilecek ajan tabanlı modeller için Alt Çerçeve III sunulmuştur. Bu çerçeveyi örneklendirmek amacıyla tahliyelerde grup davranışının etkisini araştıran deneysel bir çalışmanın verileri kullanılmıştır. Veri setinde, insanların bir odadan tahliyesi sırasında izledikleri yörüngelere ait veriler yer almaktadır. Bu veriler, tersine pekiştirmeli öğrenme teknikleri kullanılarak analiz edilmiş ve insanların sergiledikleri yörüngenin oluşmasında grup davranışının ve diğer faktörlerin etkisi (sınırlardan, diğer yayalardan ve engellerden uzak durma; hedef noktaya ulaşma) belirlenmiştir. Daha sonra belirlenen bu etki değerlerine pekiştirmeli öğrenme teknikleri uygulanarak ajanların tahliye davranışları elde edilmiştir. Oluşturulan modelin doğruluğu mikro ve makro düzeyde test edilmiştir. Mikro düzeyde test etmek amacıyla simülasyon modelinden elde edilen bireysel yaya yörüngeleri gerçek verilerdeki yörüngelerle karşılaştırılmış ve sonuçların kabul edilebilir düzeyde olduğu görülmüştür. Makro düzeyde modelin doğruluğunu test etmek için modelin ürettiği tahliye süresi gerçek tahliye süresiyle karşılaştırılmış ve elde edilen sonuçların birbirine çok yakın olduğu görülmüştür. Bu tez çalışması, makine öğrenimi tekniklerinin, ajan tabanlı modellerin geliştirilmesinde ve performanslarının üst seviyelere çıkarılmasında ne denli kritik bir role sahip olabileceğini derinlemesine araştırmaktadır. Sunulan ana şema ve bu şemanın içerdiği alt çerçeveler, farklı ihtiyaçlara ve amaçlara hizmet eden ajan tabanlı modellerin oluşturulması noktasında araştırmacılara detaylı bir yol haritası sunmaktadır. Özellikle gerçek dünya senaryoları üzerinde gerçekleştirilen testler ve simülasyon ortamlarındaki deneyimler, makine öğrenimi yaklaşımlarının, ajan tabanlı modellerin doğruluğunu sadece artırmakla kalmayıp, aynı zamanda model inşa süreçlerini daha hızlı ve etkin bir hale getirebileceğini göstermektedir. Dolayısıyla, bu tez, ajan tabanlı modelleme ile makine öğrenimi arasındaki etkileşimi ve sinerjiyi detaylı bir şekilde ortaya koymakta olup, bu alanda çalışacak olan gelecekteki araştırmacılara kapsamlı bir referans kaynağı sunma amacındadır.
Özet (Çeviri)
Agent-based modeling (ABM) has garnered extensive application across various disciplines, presenting an instrumental tool for researchers. However, the creation of effective and precise agent-based models (ABMs) presents an intricate challenge. The integration of machine learning (ML) methodologies into ABMs could potentially simplify the modeling process and augment model performance. This dissertation presents an exhaustive exploration of the relationship between ABM and ML methodologies, elucidating the advantages and disadvantages of data-driven ABMs. The predominant challenge in the development of ABMs is the delineation of agents' behavioral rules. To surmount this challenge, a main scheme utilizing ML methodologies within ABMs is proposed. This scheme is examined through the lens of pertinent academic literature. Within this central framework, three sub-frameworks are introduced to model agent behaviors in ABMs via ML methodologies. Each of these sub-frameworks pivots around the principle of employing ML methodologies to derive agent behaviors. Sub-Framework I offers a comprehensive roadmap for researchers aiming to implement an ABM with predictive capabilities. This sub-framework intertwines theoretical support with ML methodologies with the aim of enhancing the precision of ML-generated agent behavior. To determine how well ML techniques enhance the accuracy and ease of building ABM, Sub-Framework I was applied to a real-world case using supervised learning methods. Sub-Framework II offers guidance to researchers with the objective of creating ABMs for optimization purposes. The effectiveness of this framework is scrutinized in a simulated environment employing Reinforcement Learning (RL) techniques as the ML methodology. Lastly, Sub-Framework III serves as a guide for researchers endeavoring to create an ABM for understanding objectives. Its empirical validation is undertaken through a real-world case study. This framework utilizes Inverse Reinforcement Learning (IRL) and Reinforcement Learning (RL) as ML methodologies. The findings of these models developed through the frameworks suggest that ML approaches may facilitate the development of ABMs.
Benzer Tezler
- Resolving security and low mobility issues in mobile AD-HOC networks
Başlık çevirisi yok
AMMAR ABDULRAHMAN M.SAEED
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Active learning based human in the loop deep object detectionfor scalable data annotation
Ölçeklenebilir veri etiketlenmesi için aktif öğrenme tabanlı insan katılımlı derin nesne tespiti sistemi
ATABERK ARMAN KAYHAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Karayolu projelerinde yeni teknolojilerin kullanımı
Usage of new technologies in highway projects
EMRAH ERDEM ÖZLÜ
Yüksek Lisans
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. MURAT ERGÜN
- Evolutionary design assistants for architecture
Mimarlık için evrimsel tasarım asistanları
N. ONUR SÖNMEZ
Doktora
İngilizce
2015
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ARZU ERDEM
PROF. DR. İKBAL SEVİL SARIYILDIZ