Data mining presentation based on the application of artificial Neural Network

1. Application of An Artificial Neural Network
on Railway Passenger Flow Prediction
Group Members:
Alam Shah 10-17685-3
Shimul, Md. Bodruddoza 10-17683-3
Course Instructor:
RAHMAN, MOHAMMAD SAIEDUR

2. PPaarrtt--11
 IInnttrroodduuccttiioonn
 CCoonncceepptt ooff AArrttiiffiicciiaall NNeeuurroonnss
 SSttrruuccttuurree ooff NNeeuurraall NNeettwwoorrkk
 RReesseeaarrcchh DDaattaa
 DDaattaa sseett aanndd PPrroocceessssiinngg

3. PPaarrtt--22
EExxppeerriimmeennttaall SScchheemmee
MMeetthhooddss aanndd AAllggoorriitthhmm
RReessuullttss
FFiinnddiinnggss

4. IInnttrroodduuccttiioonn
 TThhiiss ppaappeerr aapppplliieess tthhee tthheeoorryy ooff ddaattaa wwaarreehhoouussee aanndd
ddaattaa mmiinniinngg aanndd iittss ddeerriivveedd tteecchhnnoollooggyy ttoo ddeeaall wwiitthh tthhee
hhuuggee aammoouunntt ooff ddaattaa ooff tthhee TTiicckkeett SSeelllliinngg aanndd RReesseerrvviinngg
SSyysstteemm ooff CChhiinneessee RRaaiillwwaayy((TTRRSS))..
 IInn tthhiiss ppaappeerr eeffffeeccttiivvee ddaattaa mmiinniinngg iinn ppaasssseennggeerr ffllooww
aannaallyyssiiss iiss uusseedd ttoo eessttaabblliisshh aa llooggiiccaall ffoorreeccaassttiinngg aanndd
aannaallyyssiiss mmooddeell..
 TThhiiss mmooddeell ccaann pprroovviiddee aaccccuurraattee ddeecciissiioonn--mmaakkiinngg
iinnffoorrmmaattiioonn aanndd aann aaddvvaanncceedd wwaayy ooff ffoorreeccaasstt ffoorr tthhee
rraaiillwwaayy ttrraannssiitt aauutthhoorriittyy ttoo mmaakkee aa ooppttiimmaall ppllaannnniinngg ffoorr
ppaasssseennggeerr ttrraannssppoorrtt ,,sscciieennttiiffiicc oorrggaanniizzaattiioonn ooff tthhee rraaiillwwaayy
ssyysstteemm aanndd hhiigghh eeffffiicciieennccyy ooff ttrraannssppoorrtt eenneerrggyy tthhaatt wwiillll
bbrriinngg eennoorrmmoouuss bbeenneeffiittss..

5. CCoonncceepptt ooff AArrttiiffiicciiaall NNeeuurroonnss
 AAnn aarrttiiffiicciiaall nneeuurroonn iiss aa mmaatthheemmaattiiccaall ffuunnccttiioonn
ccoonncceeiivveedd aass aa ccrruuddee mmooddeell,, oorr aabbssttrraaccttiioonn ooff
bbiioollooggiiccaall nneeuurroonnss.. AArrttiiffiicciiaall nneeuurroonnss aarree tthhee ccoonnssttiittuuttiivvee
uunniittss iinn aann aarrttiiffiicciiaall nneeuurraall nneettwwoorrkk..
 AArrttiiffiicciiaall nneeuurraall nneettwwoorrkk iiss bbaasseedd oonn tthhee pphhyyssiioollooggyy ooff tthhee
hhuummaann bbrraaiinn.. IItt’’ss ccoommppoosseedd bbyy mmaannyy nnoonnlliinneeaarr mmaappppiinngg
nneeuurroonnss..
 NNeeuurroonnss aarree ccoonnnneecctteedd bbyy wweeiigghhtt vvaalluuee ssiimmuullaattiinngg tthhee
hhuummaann bbrraaiinn ffuunnccttiioonnss aanndd mmeecchhaanniissmmss..
 IItt ccaann aauuttoommaattiiccaallllyy ssuummmmaarriizzee tthhee rruulleess ffrroomm tthhee kknnoowwnn
ddaattaa aanndd oobbttaaiinn tthhee iinnhheerreenntt ccoommpplleexx llooww ooff tthhee ddaattaa..
 IItt hhaass nnoonnlliinneeaarr aabbiilliittyy ttoo ddeeaall wwiitthh tthhee ssyysstteemm pprroobblleemmss
wwhhiicchh iiss ddiiffffiiccuulltt ttoo ddeessccrriibbee bbyy mmaatthheemmaattiiccaall mmooddeell..

6. SSttrruuccttuurree ooff NNeeuurraall NNeettwwoorrkk
 BBPP nneettwwoorrkk iiss lliikkee mmuullttii--llaayyeerr sseennssoorr iinn ssttrruuccttuurree wwhhiicchh hhaass
tthhrreeee llaayyeerrss oorr mmoorree tthhaann tthhrreeee llaayyeerrss nneeuurroonnss..
 EEaacchh nneeuurroonn ccoonnnneeccttss aallll tthhee
nneeuurroonnss ooff tthhee nneexxtt llaayyeerr..
 TThhee ssaammee llaayyeerr hhaass nnoo
ccoonnnneeccttiioonn
 TThhee aarrrroowwss iinnddiiccaattee tthhee
ddiirreeccttiioonn ooff tthhee ffllooww
 OOuuttppuutt iiss tthhee iinnppuutt ooff
tthhee pprreevviioouuss llaayyeerr iinn BBPP
nneeuurraall nneettwwoorrkk..

7. RReesseeaarrcchh DDaattaa
 AAss pprroopphhaassee aa ddaattaa mmaarrtt hhaass bbuuiilltt wwhhiicchh bbaasseedd oonn tthhiiss
tthheemmee,, ssoo ddaattaa mmiinniinngg hheerree ccaann eexxttrraacctt rreelleevvaanntt ddaattaa..
 IInn tthhee ddaattaa mmaarrtt tthheerree iiss iinncclluuddiinngg
II.. TTiicckkeett ssaalleess
IIII.. TTiicckkeett rreevveennuuee
IIIIII.. TTrraannssppoorrtt rreevveennuuee
IIVV..NNuummbbeerr ooff ppaasssseennggeerrss
VV.. OOtthheerr ccaatteeggoorriieess ttrraaffffiicc iinnffoorrmmaattiioonn

8. DDaattaa sseett aanndd PPrroocceessssiinngg
 DDaattaa pprroocceessssiinngg bbeeffoorree nneeuurraall nneettwwoorrkk lleeaarrnniinngg iiss aa
ccrruucciiaall sstteepp ttoo nneettwwoorrkk..
 UUssuuaallllyy tthhee ssaammppllee ddaattaa ccaann nnoott ddiirreeccttllyy uussee ffoorr nneettwwoorrkk
ttrraaiinniinngg,, tthhee rraaww ddaattaa nneeeeddss ttoo bbee pprroocceesssseedd ffiirrsstt..
 DDaattaa ccoonnvveerrssiioonn iiss aann iimmppoorrttaanntt ppaarrtt ooff ddaattaa
pprreepprroocceessssiinngg..
 DDaattaa ccoonnvveerrssiioonn iiss ttoo ccoonnvveerrtt tthhee ddaattaa iinnttoo aa ffoorrmm wwhhiicchh
iiss ssuuiittaabbllee ffoorr ddaattaa mmiinniinngg
 IInn tthhiiss ppaappeerr NNoorrmmaalliizzaattiioonn tteecchhnniiqquuee hhaass uusseedd..
 TThheerree aarree mmaannyy wwaayyss ffoorr nnoorrmmaalliizzaattiioonn,, hheerree tthhee
ffoolllloowwiinngg ffoorrmmuullaa wwiillll uussee

9. PPaarrtt--22
EExxppeerriimmeennttaall SScchheemmee
MMeetthhooddss aanndd AAllggoorriitthhmm
RReessuullttss
FFiinnddiinnggss

10. EExxppeerriimmeennttaall SScchheemmee
 DDaattaa wwaass tthhee nnuummbbeerr ooff ppeerrssoonn iinn
““MMaayy DDaayy”” GGoollddeenn wweeeekk 22000055--22000077
 ttiicckkeett ssaalleess,, ttiicckkeett rreevveennuuee,,
ttrraannssppoorrttaattiioonn rreevveennuuee aass iinnppuutt..
 2200 hhiissttoorriiccaall ddaattaa uusseedd..
 NNuummbbeerr ooff hhiiddddeenn llaayyeerrss eeffffeecctt
tthhee rreessuulltt,, mmaannyy llaayyeerrss oorr ffeeww llaayyeerrss
ddooeessnn’’tt ggiivvee tthhee ppeerrffeecctt rreessuulltt.. SSoo
tthhee hhiiddddeenn llaayyeerr iiss vvaarriiaabbllee iinn tthhiiss ccaassee..
 66--1122 hhiiddddeenn llaayyeerr wwaass uusseedd iinn tthhiiss
eexxppeerriimmeenntt..

11. MMeetthhooddss aanndd AAllggoorriitthhmm
s=6:12
res=1:7
for i=1:7
net=newff(minmax(P_Train), [s(i),1], {‘transig’, ‘logsig’}, ‘trainlm’);
%minmax() finds min and max value.
% [s(i), 1] represents each number of hidden layer.
%transig and logsig are Activation or Transfer Function.
%trainlm is the ANN training function which updates weights and bias values.
net.trainParam.epochs=1000;
net.trainParam.goal=.001;
net=train(net, P_Train, T_Train);
y=sim(net, P_Train);
error = y - T_train;
res(i) = norm(error);
end

12. MMeetthhooddss aanndd AAllggoorriitthhmm
LLeevveennbbeerrgg--MMaarrqquuaaddtt iiss tthhee lleeaarrnniinngg
aallggoorriitthhmm..
IItt hhaass ffaasstt ccoonnvveerrggeennccee rraattee..
IItt uusseess LLeeaasstt SSqquuaarree CCuurrvvee FFiittttiinngg
tteecchhnniiqquuee..

13. RReessuulltt
 RReessuullttss wweerree vveerryy aaccccuurraattee..
 TThhee ffoorreeccaassttiinngg eerrrroorr iiss vveerryy ssmmaallll aanndd aabboouutt 55%%
 AANNNN ccaann bbee uussee eeffffiicciieennttllyy aass pprreeddiiccttiioonn iinn tthhee aarreeaa ooff
rraaiillwwaayy ppaasssseennggeerr ffllooww..

14. FFiinnddiinnggss
PPrreeddiiccttiinngg PPaasssseennggeerr ffllooww mmeeaannss wwoorrkkiinngg
wwiitthh aa hhuuggee aammoouunntt ooff ddaattaa..
AANNNN iiss ddeeaallss wwiitthh hhuuggee aammoouunntt ooff ddaattaa
eeaassiillyy wwhheerree ootthheerr mmooddeellss ffaacceess
pprroobblleemmss..
WWoorrkkiinngg wwiitthh AANNNN iiss mmuucchh mmoorree eeaassiieerr..
PPrroobblleemm iiss ffiinnddiinngg tthhee nnuummbbeerr ooff hhiiddddeenn
llaayyeerr wwee sshhoouulldd uussee..
TTiicckkeett pprriicceess aarree nnoott aallwwaayyss ssaammee,, ssoo
tthheerree ccoouulldd bbee aa mmiissss mmaattcchh iinn rreevveennuuee..

15. QQuueessttiioonn TTiimmee

16. TThhaannkkss
TToo
EEvveerryybbooddyy