Exploration and development of methodologies for complex systems modelling and decision-making support using advanced fuzzy logic and cognitive maps techniques

Abstract

Modelling and simulating complex dynamic systems have always been a demanding and challenging task especially when considering the formulation of strategies and the development of certain policies in the context of decision-making, with respect to sustainability planning. In this direction, Fuzzy Cognitive Maps (FCMs) which constitute a powerful Neuro-fuzzy quasi-quantitative modelling methodology, are the right candidate to address both complexity and non-linearity with respect to complex systems’ behavior. Additionally, they can handle the lack of reliable quantitative data along with the presence of uncertain information, in terms of knowledge representation and reasoning during the simulation process. Moreover, they seem to be a promising tool to incorporate human experience and other existing knowledge as well as new aggregation participatory approaches for aggregating numerous individual models designed by experts or stakeholders, that will produce more reliable models for decision-making. Afterall, FCMs have found extreme and extensive applicability in multiple research domains which is proved by the enormous list of publications in the literature, over the last decade.In the context of policy-making, energy demand forecasting is another significant and challenging task for tailoring efficient policies towards energy sustainability management and planning. Thus, the selection of accurate forecasting techniques is important for policy-makers to apply precise forecasts highly essential for supporting them in choosing the right strategies. Most of the forecasting methods until recently, are characterized by structure complexity, while they are slow and difficult to use by inexperienced Artificial Intelligence (AI) users. In this direction, FCMs, characterized by their learning capabilities, are emerged in the recent literature as simple, flexible and highly accurate soft computing methods, adequate to cope with relatively small datasets in data handling, and addressing fuzziness in a certain degree. Combining them with other efficient AI methods makes it a promising research direction in providing accurate predictions in the context of energy policy and demand forecasting.This dissertation contributes to the subjects of FCM modeling, aggregation and scenario analysis of complex systems, through the introduction of a FCM development framework which can be used to perform an analysis of the systems’ dynamics for efficient strategic social, economic and environmental sustainability planning. Two research directions are investigated within the framework of FCM development. They particularly concern the aggregation of FCMs proposed by multiple and numerous experts/stakeholders with a focus on scenario analysis, and a prediction algorithm deploying FCMs for demand forecasting purposes, with a focus on sustainable socio-economic and environmental planning.The first direction focuses on a new aggregation method for FCM modeling based on learning Ordered Weighted Averaging (OWA) operators in the aggregation of weights. It aims at aggregating knowledge from multiple sources, thus improving the reliability of the examined model and eliminating possible erroneous beliefs provided by particular participants. This choice of the OWA aggregation method was motivated by its efficiency to aggregate a sizeable amount of individual FCMs designed by experts and/or participants, considering their confidentiality. In this context, a new and easy to use java-based software tool is implemented for the automatic aggregation of individual FCMs based on the proposed OWA learning aggregation method. Additionally, a powerful and easy to use, web-based tool, namely FCMWizard, is incorporated to efficiently perform automatic FCM modeling and scenario analysis under different configurations in diverse domains. It is proved to have a supporting role for policy makers and governments in the analysis of complex real-life problems, predicting their behavior as well as eliciting accurate outcomes of proposed policies that deal with sustainable social-economic-environmental development strategies.The second direction is oriented in a new and highly accurate demand forecasting method with generalization capabilities for time series prediction. It is comprised of an ensemble of AI-oriented models, based on evolutionary FCMs, artificial neural networks (ANNs), and their hybrid structure (FCM-ANN). Experimental evaluation based on a case study regarding natural gas load forecasting, reveals that the proposed architecture attains better accuracies and an improved overall performance against other individual AI and soft computing forecasting models, for the examined case study. At the same time, and for the same dataset, a promising Adaptive Neuro-Fuzzy Inference System (ANFIS) model architecture is investigated for consumption demand forecasting purposes. The proposed ANFIS approach reveals its remarkable prediction performance, in terms of its ability to tackle fuzziness in data handling, flexibility in large datasets, easiness of use and low execution time requirements.On the whole, the innovations offered in this dissertation are devoted to the introduction of the aforementioned methodologies and newly developed FCM-based tools for modelling, aggregation and prediction tasks. Accordingly, they can help policy-makers and other regulatory authorities to identify suitable strategies towards efficient social, economic and environmental sustainability planning.

Η μοντελοποίηση και προσομοίωση σύνθετων δυναμικών συστημάτων αποτελεί ένα δύσκολο και απαιτητικό πεδίο έρευνας ειδικότερα όταν αυτή εφαρμόζεται κατά τη διαδικασία διαμόρφωσης και σχεδιασμού στρατηγικών στο πλαίσιο της λήψης αποφάσεων. Όσον αφορά την περίπτωση του σχεδιασμού και της εφαρμογής κατάλληλων πολιτικών σε κοινωνικό, οικονομικό και περιβαλλοντικό επίπεδο, η διαδικασία μοντελοποίησης και προσομοίωσης θεωρείται κρίσιμη για τη βιώσιμη ανάπτυξη (sustainable development). Σε αυτή την κατεύθυνση, η συμβολή των Ασαφών Γνωστικών Δικτύων (ΑΓΔ) τα οποία κατέχουν αυξημένες δυνατότητες στη διαχείριση της πολυπλοκότητας, της μη γραμμικότητας και της έλλειψης αξιόπιστων ποσοτικά δεδομένων θεωρείται πολύτιμη. Τα ΑΓΔ αποτελούν μια μεθοδολογία που συνδυάζει τα βασικά χαρακτηριστικά της ασαφούς λογικής και των νευρωνικών δικτύων, ικανή να περιγράψει και να διαχειριστεί «ημι-ποσοτικά» δεδομένα, τα οποία χαρακτηρίζονται από αβεβαιότητα στην αναπαράσταση της γνώσης και της συλλογιστικής κατά τη διαδικασία της προσομοίωσης. Επιπλέον, φαίνεται να είναι ένα πολλά υποσχόμενο εργαλείο το οποίο ενσωματώνει την ανθρώπινη γνώση και πρότερη εμπειρία σε μορφή μοντέλων, που περιλαμβάνουν κόμβους (μεταβλητές) και αιτιατές συσχετίσεις μεταξύ των κόμβων, τα οποία μοντέλα σχεδιάζονται από ειδικούς ή άλλους εμπλεκόμενους φορείς στο εκάστοτε υπο-διερεύνηση αντικείμενο, για τη λήψη αποφάσεων μέσω της ανάλυσης δεδομένων και σεναρίων. Είναι άξιο αναφοράς ότι τα Ασαφή Γνωστικά Δίκτυα έχουν βρει εκτεταμένη εφαρμογή σε διάφορους ερευνητικούς τομείς, όπως αποδεικνύεται από τον τεράστιο αριθμό δημοσιευμένων εργασιών την τελευταία δεκαετία.Η πρόβλεψη ζήτησης/κατανάλωσης είναι επίσης βασικό αντικείμενο της παρούσας διατριβής, καθώς αποτελεί αναγκαίο μέσο για τη χάραξη αποδοτικών πολιτικών αναφορικά με τη διαχείριση και τον σχεδιασμό της βιωσιμότητας της ενέργειας. Συνεπώς, η διερεύνηση κατάλληλων αποδοτικών εργαλείων πρόβλεψης όσον αφορά την ακρίβεια θεωρείται σημαντικό εφόδιο για τους φορείς διαμόρφωσης πολιτικής (policy-makers), στην προσπάθειά τους να επιλέξουν σωστές και αποδοτικές στρατηγικές. Τα Ασαφή Γνωστικά Δίκτυα αποτελούν επίσης αξιόπιστη λύση στο συγκεκριμένο αντικείμενο έρευνας καθώς είναι απλή, ευέλικτη και ιδιαίτερα αποδοτική τεχνική, όσον αφορά την ακρίβεια της πρόβλεψης, ενσωματώνοντας προηγμένες τεχνικές εκπαίδευσης που μπορούν να διαχειριστούν σχετικά μικρές ποσότητες δεδομένων και να εκπαιδεύσουν επαρκώς το μοντέλο, αντιμετωπίζοντας ως ένα βαθμό την ασάφεια.Στόχος της παρούσας διδακτορικής διατριβής αποτελεί η ανάπτυξη προηγμένων μεθοδολογιών μοντελοποίησης και ανάλυσης πολύπλοκων μοντέλων και συστημάτων ως προς την κατεύθυνση της υποστήριξης και λήψης αποφάσεων, με έμφαση στους τομείς της κοινωνικο-οικονομικής συνοχής, της ενέργειας και του περιβάλλοντος. Πιο συγκεκριμένα, διαμορφώνονται δυο κύριες κατευθύνσεις στην διερεύνηση του προτεινόμενου πλαισίου αναφορικά με τη ανάπτυξη των ΑΓΔ για τη διαμόρφωση στρατηγικών και λήψη αποφάσεων.Η πρώτη κατεύθυνση αφορά σε μια νέα τεχνική συνάθροισης (aggregation) πολλαπλών μοντέλων ΑΓΔ, η οποία βασίζεται στη χρήση των τελεστών OWA, τροποποιώντας κατάλληλα τις τιμές των βαρών των συσχετίσεων μεταξύ των κόμβων του ΑΓΔ. Το νέο συνολικό μοντέλο παρουσιάζει αυξημένη αξιοπιστία ενώ είναι απαλλαγμένο από πιθανές λανθασμένες αντιλήψεις των συμμετεχόντων. Το μοντέλο που προκύπτει συμβάλει στην βέλτιστη ανάλυση σεναρίων με σκοπό την εξαγωγή χρήσιμων συμπερασμάτων στο πλαίσιο χάραξης αποτελεσματικού στρατηγικού σχεδιασμού. Η προτεινόμενη μεθοδολογία συνάθροισης προέκυψε από την ανάγκη να συμπεριληφθούν και να συνδυαστούν οι γνώμες και αντιλήψεις ενός μεγάλου αριθμού εμπειρογνωμόνων ή/και συμμετεχόντων, συνυπολογίζοντας το βαθμό εμπιστευτικότητας (confidentiality) για τον καθορισμό του μοντέλου του υπό μελέτη συστήματος. Στην προσπάθεια αυτή συμβάλει η δημιουργία ενός νέου java-based υπολογιστικού εργαλείου το οποίο υλοποιεί αυτόματα τη διαδικασία της συνάθροισης πολλαπλών πηγών γνώσης, σύμφωνα με την προτεινόμενη μεθοδολογία. Επιπλέον, στο πλαίσιο της διατριβής, αναπτύχθηκε και εφαρμόστηκε ένα νέο, καινοτόμο και φιλικό προς τον χρήστη web-based εργαλείο, FCMWizard, το οποίο συμβάλει στην αυτόματη μοντελοποίηση Ασαφών Γνωστικών Δικτύων αλλά και την ανάλυση σεναρίων σε διάφορες συνθήκες και τομείς όπως αυτοί της ενέργειας, του περιβάλλοντος, της εκπαίδευσης και της κοινωνικο-οικονομικής βιωσιμότητας.Η δεύτερη κατεύθυνση επικεντρώνεται στη διερεύνηση, το σχεδιασμό και την ανάπτυξη νέων καινοτόμων μοντέλων και προηγμένων μεθοδολογιών ασαφών γνωστικών δικτύων, ασαφούς λογικής, με δυναμικά χαρακτηριστικά μάθησης, καθώς και υβριδικών τεχνικών αυτών για τη διαχείριση της πολυπλοκότητας των συσχετίσεων μεταξύ των διαθέσιμων παραμέτρων που συντελούν στη λήψη αποφάσεων στον ενεργειακό τομέα. Πιο συγκεκριμένα, το προτεινόμενο μεθοδολογικό πλαίσιο έχει εφαρμοστεί σε δυο ξεχωριστά προβλήματα από το χώρο της ενέργειας. Το πρώτο αφορά στη μοντελοποίηση συστήματος και την πρόβλεψη αποδοτικών πολιτικών μέσα από την κατάλληλη εφαρμογή της ανάλυσης σεναρίου, έχοντας ως απώτερο στόχο τη βιώσιμη κοινωνική-οικονομική-περιβαλλοντική ανάπτυξη. Το δεύτερο πρόβλημα εστιάζει στην ανάπτυξη καινοτόμων μοντέλων πρόβλεψης βασισμένων στα ΑΓΔ και τους αλγορίθμους εκπαίδευσής τους, το οποίο μπορεί να εφαρμοστεί για την πρόβλεψη της ζήτησης με υψηλή ακρίβεια.Για την επίλυση του πρώτου προβλήματος, το οποίο αναφέρεται σε ένα σύστημα βιώσιμης ενέργειας (φωτοβολταΐκή ηλιακή ενέργεια), αναπτύχθηκε αρχικά ένα μοντέλο ΑΓΔ με τη συνεισφορά των ειδικών από το συγκεκριμένο χώρο και στη συνέχεια ακολούθησε η εφαρμογή της προτεινόμενης μεθοδολογικής προσέγγισης που αφορά στην προσομοίωση του παραχθέντος μοντέλου σε διαφορετικές πιθανές καταστάσεις (σενάρια). Το προτεινόμενο μεθοδολογικό πλαίσιο το οποίο υλοποιήθηκε με τη συμβολή του προαναφερθέντος εργαλείου μοντελοποίησης και ανάλυσης σεναρίων, FCMWizard, συμβάλει στη διαδικασία λήψης αποδοτικών αποφάσεων αναφορικά με τον κατάλληλο σχεδιασμό και τη βέλτιστη ανάπτυξη του συστήματος ανανεώσιμων πηγών ενέργειας, καθώς και στην απόκτηση μιας εξαιρετικής κοινωνικο-οικονομικής δυναμικής της χώρας. Τα αποτελέσματα της ανάλυσης αποδεικνύουν την αποτελεσματικότητα και τη δυνατότητα γενίκευσης του εφαρμοζόμενου υπολογιστικού εργαλείου στη διαδικασία αυτόματης μοντελοποίησης μιας ευρείας περιοχής συστημάτων και τη διεξαγωγή ανάλυσης σεναρίου για τη διαμόρφωση κατάλληλων στρατηγικών αποφάσεων, μέσα από ένα απλό και εύχρηστο περιβάλλον χρήστη.Το δεύτερο πρόβλημα επικεντρώνεται στην πρόβλεψη της ζήτησης της ενέργειας με εφαρμογή στην πρόβλεψη φυσικού αερίου, χρησιμοποιώντας μεθόδους ΑΓΔ, νευρωνικών δικτύων και νευρο-ασαφών μεθόδων (Neuro-fuzzy). Προτείνεται αρχικά η προσέγγιση ενός συνδυασμού αποδοτικών τεχνικών (ensemble method) βασισμένων σε εξελικτικά μοντέλα ΑΓΔ, Τεχνητά Νευρωνικά Δίκτυα και σε ένα υβριδικό συνδυασμό τους. Από τα παραγόμενα αποτελέσματα αποδεικνύεται ότι η προτεινόμενη αρχιτεκτονική επιδεικνύει μεγαλύτερη ακρίβεια και είναι περισσότερο αποδοτική συγκριτικά με άλλα αυτόνομα μοντέλα Τεχνητής Νοημοσύνης (ΤΝ). Εν συνεχεία, προτείνεται μια νέα, καινοτόμα προσέγγιση με την εφαρμογή της νευρο-ασαφούς μεθοδολογίας (ANFIS αρχιτεκτονική) για βραχυπρόθεσμη πρόβλεψη ζήτησης, η οποία εφαρμόστηκε ειδικότερα στο πρόβλημα πρόβλεψης της κατανάλωσης του φυσικού αερίου στην Ελλάδα. Τα ερευνητικά αποτελέσματα αποδεικνύουν την αξιοθαύμαστη απόδοση της μεθόδου αναφορικά με την ικανότητα πρόβλεψης, τη διαχείριση της ασάφειας, την ευελιξία σε μεγάλο όγκο δεδομένων, την ευκολία χρήσης και τον μικρό χρόνο εκτέλεσης. Συνολικά, τα μοντέλα που παράγονται μπορούν να ερμηνευθούν και να αξιοποιηθούν σε ανώτερο επίπεδο από εμπειρογνώμονες για την τελική λήψη αποφάσεων.Συμπερασματικά, η ερευνητική καινοτομία της παρούσας διατριβής έγκειται στην προσπάθεια να εισαγάγει μια ολοκληρωμένη και στοχευμένη προσέγγιση η οποία περιλαμβάνει την εφαρμογή α) ασαφών, γνωστικών και ευφυών μεθοδολογιών και β) καινοτόμων υπολογιστικών εργαλείων βασισμένα σε ΑΓΔ για τη μοντελοποίηση και αποδοτική ανάλυση αλλά και την πρόβλεψη της δυναμικής σύνθετων συστημάτων που χαρακτηρίζονται από υψηλή πολυπλοκότητα. Η εφαρμογή της ερευνητικής προσέγγισης των ΑΓΔ κρίνεται ιδιαίτερα πολύτιμη στον καθορισμό αποτελεσματικών στρατηγικών για τη λήψη αποφάσεων όσον αφορά την προώθηση της κοινωνικής-οικονομικής-περιβαλλοντικής ανάπτυξης και βιωσιμότητας (socio-economic and environmental sustainability), καθώς και στην πρόβλεψη της ζήτησης στον ενεργειακό τομέα.