Using an Adaptive Neuro-fuzzy Inference System in the Development of a Real-Time Expert System for Flood Forecasting

This study presents the application of an adaptive neuro-fuzzy inference system (ANFIS) and one dimensional (1-D) and two dimensional (2-D) hydrodynamic models to improve the problems of hydrological models currently used for flood forecasting in small-medium streams of South Korea. The optimal combination of input variables (e.g., rainfall and water level) in ANFIS was selected based on a statistical analysis of the observed and forecasted values. Two membership functions (MFs) and two ANFIS rules were determined by the subtractive clustering (SC) approach in the processes of training and checking. The developed ANFIS was applied to Jungrang Stream and water levels for six lead times (0.5, 1.0, 1.5, 2.0, 2.5 and 3.0 hour) were forecasted. Based on point forecasted water levels by ANFIS, 1-D section flood forecast and 2-D spatial inundation analysis were carried out. This study demonstrated that the proposed methodology can forecast flooding based only on observed data without abundant physical, and can be performed in real time by integrating point- and section flood forecasting and spatial inundation analysis.

Download Full-text

Pengendalian Lampu Lalu Lintas Cerdas di Persimpangan Empat Ruas yang Kompleks Menggunakan Algoritma Adaptive Neuro Fuzzy Inference System

Jurnal Edukasi dan Penelitian Informatika (JEPIN) ◽

10.26418/jp.v6i1.37311 ◽

2020 ◽

Vol 6 (1) ◽

pp. 29

Author(s):

Budy Santoso ◽

Azminuddin I. S. Azis ◽

Andi Bode

Keyword(s):

Machine Learning ◽

Real Time ◽

Fuzzy Inference System ◽

Fuzzy Inference ◽

Waiting Times ◽

Inference System ◽

Arrival Times ◽

Neuro Fuzzy ◽

Transportation Type

Masalah transportasi masih sering dihadapkan pada fenomena kemacetan arus lalu lintas yang berdampak pada kecelakaan lalu lintas, polusi, dan kerugian ekonomi. Salah satu cara untuk meminimalisir fenomena tersebut melalui pengendalian sistem lampu lalu lintas yang baik terhadap arus lalu lintas jangka pendek di persimpangan jalan. Pengendalian lampu lalu lintas secara statis terbukti belum optimal dalam meminimalisir kemacetan arus lalu lintas, salah satu penyebabnya karena kondisi arus lalu lintas yang bervariasi sehingga tidak mudah diprediksi. Fuzzy Inference System (FIS) sering terbukti mampu menunjukkan hasil yang lebih baik daripada pengendalian lampu lalu lintas secara statis. Namun FIS tidak dapat diterapkan pada kondisi arus lalu lintas yang bervariasi atau di persimpangan jalan yang berbeda karena metode tersebut tidak mampu mempelajari kondisi arus lalu lintas secara real time. Agar FIS mampu melakukan pembelajaran, maka pendekatan machine learning dapat diterapkan pada FIS. Salah satu pengembangannya adalah Adaptive Neuro Fuzzy Inference System (ANFIS) yang dapat mengendalikan lampu lalu lintas cerdas secara dinamis dengan hasil yang lebih baik daripada FIS. Namun umumnya ANFIS diuji coba pada persimpangan jalan yang normal. Bagaimana jika di persimpangan yang kompleks? Persimpangan yang memiliki beberapa ruas/jalur utama yang besar (jalur poros), sementara ruas laiinya kecil, bahkan terdapat ruas yang tidak berpotongan, sehingga ada prioritas untuk setiap ruasnya. Hasilnya, penerapan ANFIS (3 GaussMf) untuk pengendalian lampu lalu lintas cerdas/dinamis di persimpangan empat ruas yang kompleks mampu mereduksi Average Waiting Times (AWT) rata-rata sebesar 3,4071E-05 detik dengan 2,7156 RMSE rata-rata, menggunakan variabel Queues Quantity dan Priority Degree. Sedangkan jika menggunakan variabel Arrival Times, Transportation Type, dan Goal Junction, ANFIS (4 TrapMf) mampu mereduksi AWT sebesar 0,0779 detik dengan 19,7646 RMSE.

Download Full-text