3-4-5- تلخیص داده ها…………………….. 37

3-5- وظایف داده کاوی………………………. 37

3-5-1- دسته بندی………………………. 38

3-5-2- تخمین………………………. 39

3-5-3- پیش بینی………………………. 39

3-5-4- گروه بندی شباهت یا قوانین وابستگی…………….. 40

3-5-5- خوشه بندی………………………. 40

3-5-6- نمایه سازی………………………. 41

3-6- كاربرد های داده كاوی………………………. 41

3-7- رویکردهای مسائل داده کاوی در پزشکی………………………. 42

3-8- مدلها و الگوریتمهای داده کاوی………………………. 43

3-8-1- شبکه های عصبی مصنوعی………………………. 43

3-8-1-1-ساختار شبکه عصبی……………………….. 44

3-8-1-2-معماری شبکه عصبی……………………….. 45

3-8-1-3-آموزش شبکه های عصبی مصنوعی……………………….. 46

3-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی…………… 47

3-8-2- درخت های انتخاب………………………. 47

3-8-3- Bagging & Boosting………………………

3-8-3-1-Bagging……………………….

3-8-1-1-Boosting……………………….

3-8-1-1-الگوریتم های Boosting……………………….

3-8-4- Adaptive Boosting(Adaboost)……………………..

3-8-5- رگرسیون بردار پشتیبان……………………… 51

3-8-6- رگرسیون خطی………………………. 52

نرم افزارهای داده کاوی………………………. 54

3-10- فرایند خرید دارو…………………….. 55

3-11- جمع بندی………………………. 56

فصل 4- روش انجام پژوهش………………………… 58

4-1- مقدمه……………………… 58

4-2- الگوریتم پیشنهادی………………………. 59

4-3- پیش پردازش داده ها…………………….. 60

4-3-1- ساخت ماتریس داده ……………………..60

4-3-1-1-روش ماههای متوالی……………………….. 67

4-3-1-2-روش ماههای یکسان……………………….. 44

4-3-1-3-روش فصول متولی……………………….. 69

4-4- الگوریتمهای Prediction………………………

4-4-1- روش NN………………………

4-4-2-روش SVR………………………

4-4-3- روش LSSVR………………………

4-4-4- AdaBoost.R………………………

4-5- مجموعه داده…………………….. 70

4-5-1- پاکسازی داده…………………….. 72

4-6- معیارهای ارزیابی………………………. 72

4-7- جمع بندی………………………. 74

فصل 5- بحث و نتیجه گیری………………………. 76

5-1- مقایسه روشهای مورد بررسی………………………. 76

5-1-1- ارزیابی الگوریتم با روش ماههای متوالی…………. 77

5-1-2- ارزیابی الگوریتم با روش ماه های یکسان……………… 83

5-2- جمع بندی………………………. 93

فصل 6- پیشنهادهاو فرصت های پژوهشی آینده……………………… 95

چکیده:

توسعی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از داده­ های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیری­ها و فرایند­های مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتم­ های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه­ های بیمارستان­ها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدل­های MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR²ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.

فصل نخست: مقدمه

1-1- فناوری اطلاعات در بهداشت و درمان

در سال­های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم­های اطلاعاتی خود برآمده­اند. در ابتدا مقصود از چنین فعالیت­هایی کاهش هزینه­های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده­ایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون می­یابد و در این راستا بکار­گیری سیستم های اطلاعات بیمارستان­ها بسیار مرسوم شده است.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست­ها كه در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از داده­های موجود در این سیستم­ها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2] داده کاوی یکی از ده دانش در حال توسعه است و در سال های اخیر در دنیا گسترش فوق العاده سریعی داشته است. داده کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه های مختلفی ازجمله پزشکی و تجارت دارد [3].

2-1- داروخانه های بیمارستانی

افزایش هزینه های بیمارستانی در سال های اخیر و نیز اجرای طرح خودگردانی و اداره ی بیمارستان ها به وسیله ی درآمد اختصاصی آنها، بیمارستان ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخش­های مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماری­های بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیک­های داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.

لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.

3-1- داده کاوی

1-3-1- داده کاوی چیست؟

داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود.[5] کشف دانش و داده کاوی امروزه یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید و استفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها که با حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافته است [6]. شناسایی مشکالت کاوش و یا برآورد وابستگی­ها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوه­های تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی است که روش­های استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روش­های تجربی معمول با مسائل داده کاوی می­توان به مراحل بیان مسأله و فرموله کردن فرضیه، جمع آوری داده­ها، پیش پردازش داده­ها شامل آشکارسازی و حذف داده­های غیر عادی و مقیاس بندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].

2-3-1- تکنیک های مختلف داده کاوی

تكنیك­های مختلف داده كاوی را می­توان بر اساس نوع عملیاتی كه انجام می­دهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیك­های پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیك­های تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند [8].در بین این الگوریتم­ها و مدل­ها، بهترین وجود ندارد و با توجه به داده­ها و کارایی مورد نظر باید مدل انتخاب گردد.

2-6-3-1- شرایط آب­و­هوایی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2-6-3-2- متغیرهای زمانی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .26

2-6-3-3- ویژگی­های محل اقامت مشترک . . . . . . . . . . . . . . . . . . . . . . . . . 27

2-7- داده­کاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2-7-1- اهداف داده­کاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2-7-2- روش­های داده­کاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30

2-7-2-1- دسته ­بندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2-7-2-2- خوشه­بندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31

2-7-2-3- تحلیل وابستگی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31

2-7-3- فرآیند داده­کاوی ( مدل CRISP-DM ) . . . . . . . . . . . . . . . . . . . . . . . . . .

2-8- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34

فصل سوم:ی بر ادبیات تحقیق

3-1- پیشینه تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3-2- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41

فصل چهارم: روش تحقیق

4-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4-2- فرآیند داده­کاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .44

4-3- استاندارد CRISP-DM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4-3-1- مرحله درک تجاری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4-3-2- مرحله درک داده­ها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46

4-3-3- مرحله پیش­پردازش داده­ها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .50

4-3-4- مرحله ساختن مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53

4-3-4-1- الگوریتم C&R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4-3-4-2- الگوریتم CHAID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4-3-4-3- الگوریتم رگرسیون خطی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4-3-4-4- الگوریتم شبکه عصبی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4-3-4-5- الگوریتم کوهونن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58

4-3-5- مرحله ارزیابی مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4-3-6- بکارگیری مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61

4-4- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62

فصل پنجم: نتایج و ارزیابی

5-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5-2- نتایج . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5-2-1- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن “تعطیلات” به عنوان عامل موثر . . . . . 64

5-2-2- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن “میانگین ارتفاع سقف ابر” به عنوان عامل موثر . . . .66

5-2-3- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن “کمینه دما و بیشینه دمای موثر” به عنوان عوامل موثر .. . .67

5-2-4- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن “تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر” به عنوان عوامل موثر . . . . . . . . .68

5-2-5- مقایسه عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا . . . . . . . . . 71

5-2-6- خوشه­بندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر . . . . . . .72

5-3- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76

فصل ششم: نتیجه­گیری و پیشنهادات

6-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77

6-2- یافته­های تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78

6-3- پیشنهاد برای تحقیقات آتی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

منابع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

چکیده:

در عصر حاضر به جرات می­توان گفت بشر برای انجام فعالیت­های روزمره و افزایش رفاه زندگی خود، بیش از هر انرژی دیگر از انرژی الکتریکی بهره می­برد. با توجه به مشکل ذخیره­سازی انرژی الکتریکی، پیش­بینی میزان بار مورد نیاز به منظور داشتن یک شبکه توزیع برق مطمئن و پایدار حیاتی است. مشترکین برق یکی از اصلی­ترین ارکان زنجیره عرضه برق می­باشند. هدف این تحقیق پیش­بینی برق مصرفی مشترکین و تحلیل رفتار مصرفی آن­ها تحت تاثیر عوامل آب­و­هوایی و متغیرهای زمانی می­باشد. در صورت داشتن یک پیش­بینی مناسب و دقیق می­توان از هدررفت منابع مالی ناشی از افزایش هزینه­های عملیاتی جلوگیری نمود. از سوی دیگر، با توجه به حجم انبوه داده­های مصرف مشترکین و عوامل موثر، تنها می­توان با استفاده از ابزارهای نوین فن­آوری اطلاعات همچون داده­کاوی به تجزیه­وتحلیل داده­ها پرداخت. ابزار داده­کاوی به استخراج الگوها و دانش پنهان از داده­ها جهت یک پیش­بینی درست می­پردازد.

در این تحقیق، به بررسی و پیش­بینی میزان مصرف برق مشترکین شرکت توزیع نیروی برق آذربایجان غربی می­پردازیم. برای این منظور و با در اختیار داشتن داده­های مصرفی 5595 مشترک طی 12 دوره دوماهه، الگوریتم­های پیش­بینی کننده همچون CHAID، C&R،Regression ،Neural Networks را بر روی داده­های موجود اجرا نموده و نتایج حاصل از اجرای هر الگوریتم بر اساس معیارهای ارزیابی خطای پیش­بینی مانند میانگین درصد قدرمطلق خطا مورد بررسی و مقایسه قرار گرفت. نیز با خوشه­بندی مشترکین با استفاده از الگوریتم Kohonen به بررسی رفتار مصرفی آن­ها پرداخته شد. در نهایت، به نتیجه­گیری و ارائه ­پیشنهادات پرداختیم.

فصل اول: مقدمه و طرح مسئله

1-1- مقدمه

انرژی به طور عام و انرژی الکتریکی به صورت خاص، از ارکان مهم رشد و توسعه اقتصادی جوامع می­باشد. صنعت برق در اقتصاد ملی و تامین رفاه اقتصادی و اجتماعی کشورها ارزش زیادی دارد و جزء صنایع مهم زیربنایی است. اصولا انرژی الکتریکی تمیزترین و بهترین نوع انرژی است که به آسانی می­توان آن را به هر نقطه­ای انتقال داد.

تأمین انرژی الکتریکی همواره یکی از نیازهای جوامع پیشرفته کنونی بوده است. با توجه به پیشرفت­های صورت گرفته در حال­حاضر تقریبا اکثر فعالیت­های روزمره­ی تجاری، پزشکی، صنعتی و … با استفاده از این انرژی صورت می­گیرد. با در نظر گرفتن رشد سریع جوامع، نیاز به تأمین انرژی برق هر چه بیشتر احساس می­گردد.

یکی از مسائلی که در این رابطه حتماً باید مد­نظر قرار گیرد، زمان­بر و هزینه­بر بودن ساخت تأسیسات بزرگ تولید و انتقال انرژی الکتریکی می­باشد. همین امر لزوم پیش­بینی میزان انرژی الکتریکی مورد نیاز در دوره­های بعدی را هر چه بیشتر مشخص می­کند. بنابراین برای داشتن یک شبکه­ی قابل اطمینان باید یک دید کلی از مصرف انرژی در دوره­های مصرف بعدی داشت و با توجه به آن برنامه­ریزی ساخت و نصب تجهیزات گوناگون شبکه­های تولید، انتقال و توزیع را انجام داد. در این راستا مسأله­ی برآورد انرژی الکتریکی از اهمیت بالایی برخوردار می­باشد که دقیق­تر بودن آن به معنی استفاده بهتر از امکانات و جلوگیری از به هدر رفتن سرمایه می­باشد .

در ایران نیز با توجه به نیازهای روزافزون كشور به انرژی و رشد سریع مصرف انرژی، بخصوص انرژی الكتریكی، نیاز به مدیریت و برنامه­ریزی مناسب در جهت تامین این انرژی برای مشتركین از اهمیت بالایی برخوردار خواهد بود.

از سوی دیگر با توجه به تاثیر عوامل متعدد و پیچیده بر میزان مصرف انرژی الکتریکی، شناخت این عوامل و بررسی میزان تاثیر هر گروه از عوامل می­تواند در تدوین الگوها­ی مصرف مطلوب کارا باشد. استفاده از روش­های آماری سنتی با توجه به حجم عظیم اطلاعات کارکرد مشترکین و تعدد عوامل موثر بر مصرف در زمینه برآورد انرژی الکتریکی مورد نیاز بسیار دشوار می­باشد، بنابراین ابزار­ها­ی نوین فن­آوری اطلاعات همچون پایگاه­ داده و داده­کاوی می­تواند با پیش­بینی دقیق میزان مصرف برق و استخراج الگوها و دانش پنهان در اطلاعات مصرفی مشترکین راهکار مناسبی در زمینه­ مدیریت مصرف انرژی الکتریکی باشد.

2-1- بیان مسئله تحقیق

امروزه اهمیت انرژی بر هیچ کسی پوشیده نیست. انرژی در حیات جوامع، نقش زیربنائی را ایفا می­کند و به عنوان عامل اصلی هرگونه فعالیتی به شمار می رود. یكی از ویژگی­های دنیای امروز ، استفاده گسترده از انرژی الكتریكی است. انرژی الکتریکی ما را قادر به استفاده از لوازم الکتریکی از جملهلوازم خانگی، رایانه­ها، تجهیزات مخابراتی، پزشکی و حمل­و­نقل، و همه­ی آنچه که کیفیت زندگی را افزایش می­دهد، می­سازد؛ مسلما بسیاری از این لوازم، در زندگی روزمره­ ضروری و حیاتی می­باشند ]6[.

سهولتتبدیل انرژیالکتریکی به سایر انواع انرژی و امکان انتقال سریع آن به نقاط مختلف بر اهمیت استفاده از آن در دنیای مدرن امروزی افزوده وآن را به مهمترین منبع تامین انرژی تبدیل کرده است. این امر موجب گستردگی و مقبولیت استفاده از برق در مصارفی همچون خانگی، تجاری، صنعتی، کشاورزی و سایر مصارف گردیده است. بنابراین سهم و میزان مصرف برق هر یک از بخش­های مصرف­کننده از اهمیت ویژه­ای برخوردار است ]1[. در سراسر جهان، مشترکین خانگی درصد قابل توجهی از مصرف برق را به خود اختصاص می­دهند ]7[. در سال 1390، بخش خانگی 9/30% از کل انرژی برق کشور را مصرف نموده و بعد از بخش صنعت در رتبه دوم مصرف انرژی الکتریکی قرار گرفته است ]5[

علیرغم مزایای فراوان، توانایی ذخیره­سازی انرژی الکتریکی وجود ندارد، لذا شناسایی الگوی مستمر عرضه و تقاضا و پیش­بینی میزان برق مصرفی مشترکین برای تامین انرژی الکتریکی با قابلیت اطمینان بالا، امری ضروری است ]8[. مصرف انرژی الکتریکی تحت تاثیر عوامل متعددی قرار دارد که از آن جمله می­توان به شرایط آب­و­هوایی، متغیرهای اقتصادی-اجتماعی، جمعیت، قیمت برق، دوره­های تعطیلات و … اشاره کرد.

بنابراین شناخت الگوهای رفتاری مصرف برق مشترکین برای اتخاذ سیاست­های مناسب به منظورمدیریت پایداردر شبکه برق امری مهم و ضروری است. با توجه به میزان مصرف بالای انرژی الکتریکی در بخش خانگی، پیش­بینی صحیح تقاضای انرژی الکتریکی مشترکین خانگی یکی از جنبه­های مهم در مدیریت شبکه برق می­باشد ]9[. استخراج الگوها و دانش پنهان در اطلاعات مصرفی مشترکین برق و پیش­بینی میزان مصرف با توجه به عوامل تاثیرگذار، می­تواند برای هر یک از شرکت­های تولید، انتقال و مدیریت توزیع برق کارا باشد. تجزیه و تحلیل داده­های انبوه از مصرف برق مشترکین با استفاده از روش­های آماری سنتی، برای این منظور کارآمد نبوده و به نظر می­رسد استفاده از تکنیک­های داده­کاوی می­تواند ابزاری راهگشا در جهت پیش­بینی و شناخت الگوهای پنهان رفتاری مصرف برق مشترکین باشد]10[.

3-1- ضرورت و اهداف تحقیق

با توسعه سریع اقتصادی و بهبود استاندارد زندگی مردم، تقاضای برق به سرعت در حال رشد است، که این امر نیاز شدید به طرح­های مدیریت منابع برق را ایجاد می­کند ]11[. در بازار رقابتی برق، هر یک از شرکت­های توزیع خواهان شناسایی دقیق رفتار مصرف برق مشترکین خود به منظور ارائه خدمات رضایت­بخش با حداقل هزینه و داشتن یک سود عادلانه است]12[.

مشترکین برق با الگوهای رفتاری خاص به شبکه برق متصل می­شوند. استفاده همزمان مشترکین از وسایل سرمایشی و گرمایشی در فصول مختلف سال و نیز همزمانی انواع مصارف خانگی، روشنایی، عمومی، تجاری، کشاورزی و صنعتی رفتارهای تناوبی مصرف برق را شکل می­دهند. از طرفی نیز میزان مصرف مشترکین از عوامل مختلف تاثیر می­پذیرند که از جمله عوامل موثر در کوتاه­مدت می­توان به شرایط محیطی نظیر دما، رطوبت، پوشش ابر، سرعت باد و …، و معیارهای زمانی مانند ساعت، روز، هفته، ماه رمضان، تعطیلات جشن و عزا و لحظه­ی تحویل سال اشاره کرد. اما در بلندمدت عوامل اقتصادی و جمعیتی نیز تاثیر قابل ملاحظه­ای بر روند مصرف دارند ]1[. بنابراین، تجزیه­و­تحلیل الگوی مصرف برق مشترکین و برآورد میزان انرژی مصرفی با در نظر گرفتن معیارهای محیطی و زمانی، می­بایست از اولویت­های اساسی شرکت­های برق در نظر گرفته ­شود.

در کشورهای توسعه­یافته و در حال توسعه، مدل­سازی و پیش­بینی مصرف برق نقش حیاتی برای سیاست­گذاران و سازمان­های مربوطه دارد. برآورد کمتر از مصرف منجر به قطعی­های بالقوه خواهد شد که این خود نیز باعث ایجاد خلل در زندگی و اقتصاد می­گردد. از طرفی دیگر برآورد بیش از نیاز منجر به ایجاد ظرفیت­های غیرضروری خواهد شد که این به معنی منابع مالی هدر رفته است. بنابراین، به منظور جلوگیری از اشتباهات پرهزینه، بهتر است که مصرف انرژی برق را با دقت خوب مدل کرد. تنوع و پیچیدگی در الگوی مصرف برق که ناشی از عوامل متعدد تاثیرگذار بر آن می­باشد، منجر به گسترش مدل­های پیچیده شده است. لذا، بهتر است از مدل­هایی استفاده شود که بتواند با ویژگی غیرخطی میان متغیرها به عنوان ماهیت مورد انتظار از داده­های مصرف انرژی کار کند ]13[. با توجه به تغییرات مختلف فصلی و ماهانه در مصرف برق و مشکلات در مدل­سازی آن با روش­های مرسوم، استفاده از روش­های داده­کاوی مناسب­تر به نظر می­رسد ]14[.

دلایل قابل توجه دیگری وجود دارد که ضرورت پژوهش در زمینه پیش­بینی مصرف برق را نشان می­دهد. یکی از این دلایل انتشار گازهای گلخانه­ای ( دی­اکسید­کربن ) است ]15[. بیش از 96% از برق تولید شده در ایران با استفاده از سوخت­های فسیلی است که این امر منجر به انتشار حدود 118 میلیون تن گاز CO₂در سال 2009 شده است ]16[. بنابراین به عنوان یکی از راهکارهای کاهش آلودگی هوا، بررسی و شناخت الگوی مصرف مشترکین برق و اتخاذ سیاست­های متناسب با این الگوها می­تواند موثر و کارا باشد.

از سوی دیگر، تبادل انرژی الکتریکی میان کشورها، ضمن افزایش بهره­وری موجب دسترسی به بازارها و مراکز جدید مصرف شده، افزایش پایداری و ضریب اطمینان شبکه سراسری را تضمین می­کند، و همچنین منجر به استفاده از امکانات کشورهای متعامل در جهت تامین ظرفیت برق و در نتیجه صرفه­جویی در سرمایه­گذاری و کاهش اعتبارات مورد نیاز برای ایجاد این ظرفیت می­گردد. استفاده از مدل­های پیش­بینی کننده­ی دقیق یک ابزار کلیدی در افزایش تبادل برق می­باشد، به­طوری که با بررسی جامع الگوی مصرف مشترکین برق، مبادلات انرژی الکتریکی بسیار مفید و پرسود گردد.

هدف از این تحقیق، پیش­بینی میزان مصرف مشترکین برق از طریق بررسی عوامل موثر بر آن و در صورت امکان ارائه الگوی مصرف این مشترکین می­باشد. با انجام این پژوهش می­توان به اهداف زیر دست یافت:

1. شناسایی عوامل تاثیرگذار بر مصرف برق مشترکین و میزان تاثیر آن­ها.

1. پیش­بینی میزان کارکرد مشترکین با استفاده از الگوریتم­های پیش­بینی (رده­بندی) در دوره­های آتی.

1. استفاده از این پیش­بینی به منظور کاهش دفعات قرائت کنتور.

5- نتیجه گیری…………………. 60

5-1- مقدمه……………….. 60

5-2- تحقیق های آینده ………………..60

فصل ششم……………….. 62

6- پیوست ها……………….. 63

6-1- مشخصات هندسی صفحه لمسی طراحی شده……………….. 63

6-2- محاسبه مقدار ولتاژ خروجی به صورت نمونه……………….. 63

6-3- برگه های مشخصات سنسور ها……………….. 66

7- فهرست منابع………………… 77

چکیده:

مسئله موقعیت یابی همواره به عنوان پایه و اساس مسائل مطرح در تمامی انواع صفحات لمسی بحث برانگیز بوده است، منظور از موقعیت یابی، تشخیص مکان انگشت یا انگشتان قرار داده شده بر سطح صفحه لمسی می باشد.از طرفی وابستگی شدید صفحات لمسی به جنس مواد بکار رفته در ساخت آنها موجب بروز چالشی عظیم در نحوه ساخت صفحات لمسی جهت افزایش دقت موقعیت یابی شده است، در این پایان نامه ابتدا با بررسی صفحات لمسی رایج، روشی جدید جهت موقعیت یابی فارغ از جنس مواد

بکار رفته در ساخت صفحه لمسی ارائه شده است. این روش تلفیقی از روش تحلیل سیگنال Liu در صفحات لمسی آکاستیکی و صفحات لمسی ساخته شده از سنسور های مادون قرمز ارائه شده توسط Moeller می باشد. مهمترین تفاوت روش ارائه شده با روش های قبلی، علاوه بر سخت افزار ارائه شده، نحوه تحلیل داده ها و تغییر در مدل سازی داده های بکار رفته با استفاده از روش نزدیکترین همسایه می باشد. نتایج نشان دهنده بهبود عملکرد این روش نسبت به روش Liu در بستر جدید ارائه شده می باشد.

تعاریف

در این پایان نامه از تعاریف جدیدی صحبت به میان آورده شده است که به دلیل وسعت کاربرد ابتدا لازم است تا این تعاریف را در چند خط معرفی نموده تا خواننده بتواند به بهترین نحو از مطالب استفاده نماید:

– صفحه لمسی: به تمامی اجسام مسطحی که با لمس آنها بتوان مکان لمس شده در آنها را تشخیص دادصفحه لمسی گفته می شوذ. صفحات لمسی در ابعاد مختلف و انواع مختلف در نظر گرفته می شود.

– بستر: به سیستمی سخت افزاری اعم از نوع و نحوه استفاده از سنسور ، جنس مواد بکار رفته در صفحه یا صفحات، نحوه قرارگیری صفحه یا صفحات ، تمامی مدارات جانبی . غیره ارائه شده توسط فرد یا افراد می باشد که در نهایت منجر به تولید یک صفحه لمسی می گردد.(سه بستر مختلف در این پایان نامه ارائه و بررسی می گردد)

– روش در بستر : به روش های نرم افزاری که به کمک آن بتوان مکان لمس شده در صفحه لمسی را تشخیص داد اتلاق میگردد.(سه روش در این پایان نامه ارائه و بررسی می گردد)

فصل اول: مقدمه

1- مقدمه

1-1- مقدمه

امروزه استفاده از صفحه نمایش های لمسی، بسیار گسترده شده و با توجه به این روند در حال پیشرفت تقاضای استفاده از آن نیز رو به افزایش است(شکل 1-2 نشانگر افزایش روز افزون استفاده از این تکنولوژی را نشان می دهد). به گونه ای که نظر بسیاری از کمپانی ها و موسسات بین المللی را به خود جلب کرده است، تا جایی که بسیاری از موسسات در حیطه های مختلف کاری از جمله IT, Medicine ,Computer, ATM و غیره سعی در بکارگیری و پشتیبانی از این تکنولوژی نه چندان جدید در محصولات خود را داشته اند(شکل 1- 1).

همچنین استفاده از این تکنولوژی به گونه ای شایع شده که اغلب کشورهای صنعتی جهان تمایل خاصی به استفاده از آن در محصولات مختلف خود نموده اند، به عنوان مثال طی بررسی های انجام شده توسط موسسه DisplaySearch آمریکا در سال 2010 بیشترین میزان استفاده از صفحه نمایش لمسی در محصولات ژاپنی وسپس در آمریکایی بوده است.(شکل 1-2 بیانگر این موضوع می باشد.)

علاوه بر این، در بررسی های انجام شده توسط همین موسسه در سال 2011 ، پیش بینی شده است که میزان خرید این محصول تا سال 2014 رشدی حدود 105 درصدی خواهد داشت. (بیش از دو برابر نسبت به سال 2011) که این خود نشان دهنده اهمیت این تکنولوژی می باشد. (شکل 1-3).

2-1- دسته بندی صفحات لمسی

از زمان پیدایش این تکنولوژی انواع مختلفی از صفحه نمایش های لمسی تولید و ارائه شده است و با گذشت چیزی نزدیک به سه دهه از ساخت و ارائه اولین مدل از این تکنولوژی همچنان موضوعات مطرح در این حیطه جذاب و مورد توجه محققین در علوم مختلف می باشد. بدلیل طیف گسترده تولید کنندگان و تنوع تحقیقات در این زمینه، دسته بندی های مختلفی تاکنون برای انواع مختلف صفحات لمسی ارائه شده است که مشهور ترین آن ها عبارتند از:

الف) دسته بندی Wigdor

این نوع از دسته بندی بر اساس داده های دریافتی و نحوه پردازش صفحه لمسی مورد نظر می باشد که در شکل1-5 نشان داده شده است [47].

ب) دسته بندی Walker

این دسته بندی بر اساس نوع پلتفرم ، میزان شفافیت صفحه و غیره تقسیسم بندی شده است شکل 1- 4 نشان دهنده این نوع دسته بندی می باشد [40].

ج) دسته بندی موسسه آمریکایی Display Search[1]

2-5-3- گونه های مختلف PSO………………….

2-5-3-1- بهینه سازی ازدحام ذرات مبتنی بر شبکه های جمعی…………………. 48

2-5-3-1-1- همسایگی مبتنی بر فاصله فضایی…………………. 48

2-5-3-1-2- همسایگی فزاینده……………….. 48

2-5-3-1-3- بهینه سازی ازدحام ذرات کاملاً آگاه (FIPS)…………………

2-5-3-2- مدل پیوندی بهینه سازی ازدحام ذرات………………….. 50

2-5-3-3- بهینه سازی ازدحام ذرات چند جمعیتی…………………. 53

2-6- سیستم های فازی…………………. 56

2-6-1- ساختار یک سیستم دسته بندی مبتنی بر قوانین فازی……… 57

2-6-2- دسته بندی بدون استفاده از درجه قطعیت………………….. 58

2-6-3- دسته بندی با استفاده از درجه قطعیت………………….. 62

2-6-4- استنتاج فازی…………………. 66

2-7- معیار های ارزیابی دسته بند ها……………….. 68

فصل سوم – روش تحقیق…………………. 72

3-1- مقدمه………………… 73

3-2- تبدیل داده های حقیقی به ترم های فازی…………………. 75

3-3- تولید توابع عضویت و قوانین فازی با استفاده از الگوریتم بهینه سازی ازدحام ذرات…….. 77

3-3-1- کدگذاری توابع عضویت فازی…………………. 78

3-3-2- کدگذاری قوانین فازی…………………. 80

3-3-3- PSO پیشنهادی…………………. 82

3-3-5- توابع برازش کیفیت قوانین…………………. 87

3-5- نتیجه گیری…………………. 90

فصل چهارم – محاسبات و یافته های تحقیق…………………. 91

4-1- داده های مورد استفاده……………….. 92

4-2- تنظیم پارامترها……………….. 94

4-3- روش های استفاده شده به منظور مقایسه………………… 97

4-4- نتایج…………………. 98

4-5- نتیجه گیری…………………. 101

فصل پنجم – نتیجه گیری و پیشنهادات…………………. 102

5-1- خلاصه و نتیجه گیری…………………. 103

5-2- پیشنهادات………………….. 103

منابع:……………….. 105

چکیده:

تشخیص بیماریدیابت و یا آگاهی یافتن از احتمال بالای ابتلا به این بیماری همواره کار آسانی نخواهد بود. چرا که این بیماری علائم متعددی را بروز می دهد که بعضی از این علائم در سایر بیماری های دیگر نیز وجود دارند. بنابراین پزشک برای اتخاذ یک تصمیم مناسب، باید نتیجه ی آزمایش های بیمار و تصمیم هایی که در گذشته برای بیماران با وضیعت مشابه گرفته است، را بررسی کند.

در این پایان نامه از یک الگوریتم دسته بندی مبتنی بر قانون برای دسته بندی بیماران دیابتی استفاده شده است. برای استخراج قوانین فازی از یک الگوریتم بهینه سازی ازدحام ذرات استفاده شده است. این الگوریتم دارای ویژگی هایی است که آن را از سایر الگوریتم مورد استفاده متمایز می کند. از جمله ی این ویژگی ها می توان به تابع افزایش تنوع ذرات و تکامل هم زمان توابع عضویت و قوانین فازی اشاره کرد. برای ارزیابی کارایی الگوریتم از مجموعه داده ی دیابت استفاده شده است. نتایج ارزیابی ها نشان می دهد که الگوریتم برای مجموعه داده ی دیابت دارای کارایی بسیار بالایی می باشد. همچنین کارایی الگوریتم پیشنهادی به علت بالا بردن قابلیت تفسیرپذیری دسته بند (کاهش تعداد قوانین فازی) بسیار مناسب می باشد.

فصل اول: مقدمه و کلیات تحقیق

1-1- مقدمه

افزایش استفاده از کامپیوترها در فعالیت های کسب و کار، منجر به رشد سریع پایگاه های اطلاعاتی و اجتماع داده ها توسط بیشتر سازمان ها شده است. روزانه حجم عظیمی از داده ها تولید شده و در پایگاه های مختلف داده ذخیره می شود. در سال های اخیر تمایل به جستجو برای کشف الگوهای تکرار پذیر به منظور بهبود در تصمیم گیری افزایش چشمگیری داشته است. همچنین کاوش در داده های تراکنشی جهت یافتن الگوهای پنهان و تکنیک های کشف دانش به منظور شناخت دقیق تر و بیشتر تراکنش ها، اهمیت بسزایی یافته است. [1]. در حوزه پزشکی و سلامت با افزایش استفاده از سیستم های جامع درمانی و پرونده های الکترونیک بیمار در بیمارستان ها و مراکز درمانی حجم انبوهی از اطلاعات مربوط بیماران و انواع بیماری ها مهیا می شود. [2]. استخراج دانایی از حجم عظیم داده های مرتبط با سوابق بیماری و پرونده های پزشکی افراد با استفاده از فرآیند داده کاوی می تواند منجر به شناسایی قوانین حاکم بر ایجاد، رشد و افت بیماری ها گردیده و اطلاعات ارزشمندی را به منظور شناسایی علل وقوع بیماری ها با توجه به عوامل محیطی حاکم در اختیار متخصصین و دست اندر کاران حوزه سلامت قرار دهد؛ که این امر در نهایت منجر به افزایش متوسط طول عمر افراد جامعه و ایجاد آرامش می گردد. [3].

آنچه مسلم است با افزایش سیستم های الکترونیک سلامت حجم داده های پزشکی هر روزه در حال افزایش است. اما این مجموعه داده های بزرگ به طور خام هیچ کاربردی ندارد برای آنکه بتوان از این داده ها ارزشی را استخراج کرد نیاز به تحلیل داده ها و تبدیل آن به اطلاعات و دانش، یک نیاز اساسی است. با توجه به چنین حجمی از داده ها استفاده از عامل انسانی به عنوان تشخیص دهنده الگوها و تحلیلگر داده ها پاسخگو نمی باشد؛ لذا داده کاوی روی داده های پزشکی از اهمیت بالایی برخوردار است. داده کاوی را می توان از جنبه های مختلف در پیشگیری یا تشخیص انواع بیماری، انتخاب روش های درمان بیماری، مدت زمان بستری بیمار و … به کار برد.

2-1- بیان مسأله

دیابت یکی از بیماری های رایج در جوامع امروزی است که دارای عوارض خطرناکی می باشد. این بیماری اگر چه گونه ای از بیماری های قلبی محسوب نمی شود ولی اغلب سبب بیماری های قلبی می شود.