Kalibrierung von zellulären Automaten durch den Einsatz von künstlichen neuronalen Netzwerken zur Simulation komplexer städtischer Systeme

Dieses Papier präsentiert ein neues Modell zellulärer Automaten (CA), das künstliche neuronale Netzwerke sowohl für die Kalibrierung als auch für die Simulation nutzt. Ein kritisches Problem bei der städtischen CA-Simulation ist, wie Parameterwerte bestimmt und Modellstrukturen definiert werden. Die Simulation realer Städte umfasst die Verwendung vieler Variablen und Parameter. Die Kalibrierung von CA-Modellen ist sehr schwierig, wenn eine große Anzahl von Parametern vorliegt. Im vorgeschlagenen Modell werden die meisten Parameterwerte für die CA-Simulation automatisch durch das Training künstlicher neuronaler Netzwerke bestimmt. Die Parameterwerte aus dem Training werden dann in das CA-Modell, das ebenfalls auf dem Algorithmus neuronaler Netzwerke basiert, importiert. Durch den Einsatz von neuronalen Netzwerken müssen Benutzer keine detaillierten Übergangsregeln angeben, die schwer zu definieren sind. Die Studie zeigt, dass das Modell eine bessere Genauigkeit als traditionelle CA-Modelle bei der Simulation nichtlinearer komplexer städtischer Systeme aufweist.