بهبود تحمل پذیری خطا در سیستم نظارت خودکار قطار مبتنی بر محاسبات ابری در حمل ونقل مترو ایران با استفاده از شبکه های باورعمیق

امروزه تعداد فزاینده ای از پلتفرم های ابری برای حمل و نقل در مناطق شهری در حال توسعه هستند. با این حال، افزایش مقیاس سکوهای ابری راه آهن شهری، همراه با استقرار برنامه های کاربردی ایمنی مترو ایران بر روی پلت فرم ابر، چالش بزرگی را برای قابلیت اطمینان ابر ایجاد می کند.. خرابی سرویس ابری منجر به کاهش دقت و راندمان روی ترافیک قطارها می شود، بنابراین تحقیق در مورد روش های تحمل خطا مبتنی بر محاسبات ابری برای بهبود قابلیت اطمینان خدمات ابری ضروری است. شبکه باور عمیق نوعی شبکه عصبی مصنوعی است که از روش سازنده استفاده می کند. این شبکه عصبی مصنوعی شامل یک لایه از متغیرهای دیده شده و چندین لایه شامل متغیرهای مخفی است که بین عناصر دو لایه می تواند اتصالاتی وجود داشته باشد. با کمک یادگیری عمیق، شبکه باور عمیق، راه حلی معرفی شد تا بتواند مشکلاتی را که قبل از آن در شبکه های عصبی وجود داشتند (مانند مدت زمان زیاد یادگیری، رسیدن به کمینه های محلی به دلیل انتخاب نامناسب متغیرها، و نیاز به داده زیاد برای یادگیری) حل کند. مشکل تصمیم گیری خطای جریمه و بهینه سازی کارآمد منابع با استفاده از الگوریتم پیشرفته بازیگر منتقد فرموله شده است. همچنین عملکرد خطوط مترو در چند کشور دیگر نیز مورد بررسی قرار گرفته است.

کلیدواژه ها:

کلمات کلیدی: شبکه باور عمیق ، نظارت خودکار ، فضای ابری. مترو ، ایران