How the world was MADE: parametrisation of evolved agent-based models for backstory generation

Our paper «How the world was MADE: parametrisation of evolved agent-based models for backstory generation» has been accepted in Evostar 2015 conference. This paper continues our previous work published at ALIFE. You can also download the MADE framework source and binaries to test it for your own. Also, read the draft in our repository on GitHub.

The abstract:

Generating fiction environments for a multi-agent system optimized by genetic algorithms (with some specific requirements related to the desirable plots), presents two main problems: first it is impossible to know in advance the optimal value for the particular designed fitness function, and at the same time, it creates a vast search space for the parameters that it needs. The purpose of this paper is to define a methodology to find the best parameter values for both, the evolutionary algorithm, and the own fictional world configuration. This design includes running, to completion, a world simulation represented as a chromosome, and assigning a fitness to it, thus composing a very complex fitness landscape.

In order to optimize the resources allocated to evolution and to have some guarantees that the final result will be close to the optimum, we systematically analyse a set of possible values of the most relevant parameters, obtaining a set of generic rules. These rules, when applied to the plot requisites, and thus, to the fitness function, will lead to a reduced range of parameter values that will help the storyteller to create optimal worlds with a reduced computation budget.

PETRA: Predicción del Estado del Tráfico usando un sistema de monitorización de bajo coste

Código: SPIP2014-1437
Programa financiador: Ayudas a la I+D+i en materia de tráfico, movilidad y seguridad vial.
Entidad financiadora: Dirección General de Tráfico. Ministerio del Interior.
Responsable: Pablo García Sánchez (pablogarciaATugr.es)
Fecha inicio: 18/11/2014
Fecha fin: 14/10/2015
Web: Proyecto Petra

Resumen

El objetivo de este proyecto es crear un sistema que permita ofrecer información completa y en tiempo real del tráfico en un área metropolitana, predecir en diferentes marcos temporales el mismo y ofrecer esa información como datos abiertos para su consumo por parte de aplicaciones creadas por la administración o los usuarios. El objetivo de este sistema es mejorar la información de tráfico disponible al usuario de las carreteras, fusionando distintas fuentes de datos, para predecir y prevenir atascos y otros tipos de incidencias utilizando técnicas de Big Data, mejorando la fluidez de los desplazamientos.

Actualmente existen diferentes medios que permiten conocer, en tiempo real, el estado de ciertos tramos de las carreteras, como por ejemplo las cámaras de seguridad, o los aforadores. En un proyecto anterior de esta convocatoria (SINECA, Nº Exp 0100DGT21285) introdujimos un dispositivo de bajo coste que permitía conocer este estado en tiempo real y además identificar cuándo un vehículo pasa por dos sitios diferentes.

En este proyecto se desplegaron una serie de dispositivos en distintas zonas urbanas e interurbanas, que recogían información de los dispositivos móviles (mediante Bluetooth) para realizar seguimiento de los vehículos que pasaban cerca de esos nodos, almacenando su identificador y una marca de tiempo. Los resultados de ese prototipo fueron una serie de mediciones (tales como paso de vehículos por días, horas, y velocidades medias) en un área limitada que demostraron la viabilidad de la propuesta.

Una vez comprobada la viabilidad del tipo de enfoque propuesto por ese proyecto, se puede usar como base para obtener datos nuevos que puedan compararse y ser analizados con otros medios de obtención de datos, y realizar análisis de predicción sobre ellos. En esta nueva propuesta se plantea partir de los resultados del anterior proyecto, añadiendo información complementaria, añadiendo más nodos y otras fuentes de información, como Google Traffic o los aforadores oficiales de la DGT. Con los datos obtenidos se realizarán predicciones del estado futuro del tráfico de forma más precisa, utilizando métodos dentro de la rama del Soft Computing y de Data Mining. Se plantea un estudio sobre distintos métodos de predicción disponibles en la literatura, como por ejemplo ARIMA, Croston, Theta, Spline, L-Co-R, LR y SVM-MLP entre otros.

El análisis de los datos proporcionará información relativa a predicción de atascos, uso de las carreteras, velocidades medias o información geolocalizada sobre el estado de las carreteras. Así mismo, se propone la extensión de los sistemas de difusión de los datos obtenidos usando servicios web, creando una serie de datos de acceso público para que futuros investigadores puedan realizar sus análisis, facilitando así el Open Data.

Conferencia de Alberto Tonda en la ETSIIT-UGR (20 de enero de 2015)

Dentro de la visita de investigación financiada con el premio al mejor artículo del congreso EvoStar2014 ofrecido por el Programa GENIL (Granada Excellence Network of Innovation Laboratories) asociado al CEI BioTic GRANADA, Alberto Tonda impartirá la conferencia con título «Learning Dynamical Systems with Symbolic Regression» en la ETSIIT-UGR.

Fecha: Martes, 20 de enero de 2015
Hora: 12:30
Lugar: Salón de Grados (ETSIIT)

Title: Learning Dynamical Systems with Symbolic Regression
Author: Alberto Tonda (INRA)

Abstract

Dynamical Systems, composed of Ordinary Differential Equations (ODE), are widely adopted in many fields of science and engineering, to describe phenomena ranging from fluid dynamics to diffusion of heat, from mechanical to biological processes. ODE-based models are usually built by human experts, exploiting both experimental data and theoretical knowledge of the problem at hand.

In this work, we show how to use an established machine learning technique, Symbolic Regression, to automatically derive systems of ODEs starting from data. Preliminary experimental results on the Lotka-Volterra model prove the potential of the approach.

Speaker

Alberto Tonda is a researcher at INRA (the French national institute for agronomy), where he works on semi-supervised modeling of food processes. He completed his PhD in Computer Science at Politecnico di Torino, Italy, in 2010, with a thesis on real-world applications of Evolutionary Computation.