Given these characteristics of GAs,

Given these characteristics of GAs, as well as their performance in existing
applications (see for a review, Colomi et al. 1994), it seems now worthwhile to
further explore this tool also in, for example, the modal split problem in a complex
high-dimensional network (e.g. the European freight transport network). In
previous works by the authors (Nijkamp, Reggiani 1998; Reggiani et al. 1998a,
1999), this problem was explored through a comparative analysis between logit
and NN models. The results were quite interesting, but in the forecasting analysis
sometimes rather significant differences emerged in the results of these two categories
of models.
In this chapter, we follow-up previous research endeavours, since - in addition to logit
and NN models - we investigate for the same European spatial network the 'power' of
EAs, particularly by combining GAs with NNs. The results of to this empirical
analysis are illustrated in section 8.4.
8.4 Evolutionary Neural Networks for European Freight Transport
Modelling
8.4.1 Introduction
We now turn to the performance of EAs discussed in the previous sections to
highlight the potentialsllimitations of these new approaches. We will consider - as a
case study - the European freight transport network with reference to the modal
split problem between rail and road transport modes. Different NN models will be
investigated and compared mainly in combination with EAs, giving rise to socalled
evolutionary neural networks models (ENNs). The class of ENN models
adopted here comprises four categories:
A: A Neural Network model using a genetic algorithm for the learning
procedure [NN (GA)].
B: A Neural Network model using a genetic algorithm + backpropagation for
the learning procedure [NN (GA+BP)].
Furthermore, Models A and B will be compared with the standard NN model:
c: A Neural Network model using a backpropagation algorithm for the learning
procedure [NN(BP)].
These three categories of neurocomputing models will be compared with a
conventional choice model often used in transportation research, viz.:
D: A Logit model using a Newton-Raphson algorithm for the calibration
procedure.

Kết quả (Việt) 1:

Đưa ra những đặc điểm khí, cũng như hiệu suất của họ trong sẵn cóứng dụng (xem để xem xét, Colomi et al. 1994), có vẻ như bây giờ đáng giá đểtiếp tục khám phá công cụ này cũng tại, ví dụ, vấn đề phương thức phân chia trong một phức tạpchiều cao mạng (ví dụ như châu Âu vận chuyển hàng hóa vận chuyển mạng). ỞCác tác phẩm trước đó của các tác giả (Nijkamp, Reggiani 1998; Reggiani et al. 1998a,năm 1999), vấn đề này được khám phá thông qua một phân tích so sánh giữa hàm lôgitvà mô hình NN. Kết quả là khá thú vị, nhưng trong phân tích dự báođôi khi khá đáng kể khác biệt xuất hiện trong các kết quả của các loại haiCác mô hình.Trong chương này, chúng tôi theo dõi luôn nghiên cứu trước đây, kể từ khi - ngoài hàm lôgitvà mô hình NN - chúng tôi điều tra cho cùng một mạng lưới không gian Châu Âu 'sức mạnh' củaEAs, đặc biệt là bằng cách kết hợp khí với NNs. Kết quả của đến này thực nghiệmphân tích được minh hoạ trong phần 8.4.8.4 các mạng nơ-ron tiến hóa cho Châu Âu vận chuyển hàng hóa vận chuyểnMô hình8.4.1 giới thiệuChúng tôi bây giờ chuyển sang hiệu suất của EAs thảo luận trong phần trước đểđánh dấu potentialsllimitations các phương pháp tiếp cận mới. Chúng tôi sẽ xem xét - như mộttrường hợp nghiên cứu - mạng lưới giao thông vận tải hàng hóa châu Âu với tham chiếu đến phương thứcphân chia các vấn đề giữa đường sắt và đường giao thông vận tải chế độ. Mô hình NN khác nhau sẽtra và so sánh chủ yếu trong sự kết hợp với EAs, dẫn đến socalledmạng nơ-ron tiến hóa các mô hình (ENNs). Các lớp học của mô hình ENNđược thông qua ở đây bao gồm bốn loại:A: A mạng nơ-ron mô hình bằng cách sử dụng một thuật toán di truyền cho học tậpthủ tục [NN (GA)].B: A mạng nơ-ron mô hình bằng cách sử dụng một thuật toán di truyền + backpropagation choCác thủ tục học tập [NN (GA + BP)].Hơn nữa, Model A và B sẽ được so sánh với các mô hình NN tiêu chuẩn:c: A mạng nơ-ron mô hình bằng cách sử dụng một thuật toán backpropagation cho học tậpthủ tục [NN(BP)].Ba loại của neurocomputing mô hình sẽ được so sánh với mộtthông thường mô hình lựa chọn thường được sử dụng trong nghiên cứu giao thông vận tải, viz.:D: một hàm lôgit mô hình bằng cách sử dụng một thuật toán Newton-Raphson cho hiệu chuẩnthủ tục.

Kết quả (Việt) 2:

Với những đặc điểm của khí, cũng như hiệu suất của họ trong hiện tại
ứng dụng (xem để xem xét, Colomi et al 1994)., Có vẻ như bây giờ đáng giá để
tiếp tục khám phá công cụ này cũng có trong, ví dụ, vấn đề phân chia phương thức trong một phức hợp
cao mạng chiều (ví dụ như các mạng lưới giao thông vận tải hàng hóa châu Âu). Trong
các tác phẩm trước đây của tác giả (Nijkamp, ​​Reggiani 1998;. Reggiani et al 1998a,
1999), vấn đề này đã được khám phá thông qua một phân tích so sánh giữa logit
và các mô hình NN. Các kết quả khá thú vị, nhưng trong phân tích dự báo
sự khác biệt đôi khi khá đáng kể xuất hiện trong các kết quả của hai loại này
của mô hình.
Trong chương này, chúng tôi theo dõi những nỗ lực nghiên cứu trước đây, kể từ khi - ngoài logit
và các mô hình NN - chúng tôi điều tra cho cùng một mạng không gian châu Âu "quyền lực" của
địa bàn, đặc biệt bằng cách kết hợp khí với NNS. Các kết quả thực nghiệm này để
phân tích được minh họa trong phần 8.4.
8.4 Evolutionary Neural Networks cho châu Âu Freight Transport
Modelling
8.4.1 Giới thiệu
Chúng tôi bây giờ chuyển đến hiệu suất của các địa bàn được thảo luận trong các phần trước để
làm nổi bật các potentialsllimitations của các phương pháp tiếp cận mới. Chúng tôi sẽ xem xét - như là một
trường hợp nghiên cứu - mạng lưới vận tải hàng hóa châu Âu với tham chiếu đến phương thức
vấn đề chia rẽ giữa đường sắt và vận tải đường bộ chế độ. Mô hình NN khác nhau sẽ được
điều tra và so sánh chủ yếu kết hợp với địa bàn, tạo ra cái gọi là
tiến hóa mạng lưới mô hình thần kinh (Enns). Các lớp của mô hình ENN
thông qua đây bao gồm bốn loại:
A: Một mô hình Neural Network sử dụng một thuật toán di truyền cho học hỏi
thủ tục [NN (GA)].
B: Một mô hình Neural Network sử dụng một thuật toán di truyền + lan truyền ngược cho
các thủ tục học tập [NN (GA + BP)].
Hơn nữa, mô hình A và B sẽ được so sánh với các tiêu chuẩn mô hình NN:
c: Một mô hình Neural Network sử dụng một thuật toán lan truyền ngược cho việc học
tập. thủ tục [NN (BP)]
Ba loại mô hình neurocomputing sẽ được so sánh với một
mô hình lựa chọn thông thường thường được sử dụng trong nghiên cứu giao thông vận tải, viz .:
D: Một mô hình Logit sử dụng một thuật toán Newton-Raphson cho việc chuẩn
thủ tục.