Metody modelowania niepewności w zastosowaniu szacowania
Transkrypt
Metody modelowania niepewności w zastosowaniu szacowania
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 105 Transport 2015 Marek Stawowy, Andrzej Szmigiel Politechnika Warszawska, !#$% METODY MODELOWANIA NIEPEWNO W ZASTOSOWANIU SZACO INFORMACJI O !" '*#!dostarczono, $@\ 2015 Streszczenie: !@ !\$^## _\$# \$_@` ~@ ^#~@ _\`@ !*#^@ !#$^\ #!$ !*#^\ Rozpatrywano dwie metody ^@ `*#@ #_@` o `$#@ !*% !#_#@ _#\~#^ \!\^#@ #_@` #!$ $\# \^\@` matematycznej # ^!@* !\^#@ !#$\ @## ^$# ^** `*#@ informacji IQ przy pomocy programu komputerowego ^*#$%`@ ^^ _\$#. Wykonano _%~@` ^ ~\#@ # _ ^$#@ ^\`@#^@ ^ #*% #_~\#. Porównano wyniki symulacji dla obu metod ^@`*#@#_@`#`$#@!*%. #$%&'(*+06%&78 _#\~#^\`$#!*_#\~\\!\^#@ # $\_$\~\#_$@\^\#%!*^%_#~^`^^\$~\ !#_#@ $~@ _\\` $\@ #_@` *\#^@#_ *$_ !*% _# !#\^ ^#~@ _\`@ !*#^@ \* \\ #_@` # `$#@ parkingów nie jest zbyt precyzyjne. Powoduje to, \ #_#^\ *\#^@^ # ^#~@_\`@@!*%!@$\`#!#`\_\$#!#*^@ o zaj$#@ !*% \$# *$ %@# `_\` !\@` !# * # ^\z ^~@\_^#~@_\`@!*@!%@%$\`_\$# @#^ `$#@ #`$# ! #@#^ ^!^% !#@\~@ \~\_\$^ #*# ~@ ^#~@ _\`@ !*#^@ $_ @\~% %$# metod _#\~#^ \!\^#@ ^!@* !\^#@ !#$\ Certainty Factor) [9,11] oraz $\# \^\@` _$\_$@\` $^##\` !\ \_!$\ \ [5,6,7]. 54 Marek Stawowy, Andrzej Szmigiel 1. #9#;<=!" @\~% !^\ @ _ !*% ^#~\ _\`@a, _# !#% kilkoma metodami wymanionymi w [1] takich jak: k#$#~ `$#@ $#^* !*#^@ !#_#@ @%`*^, k#$#~ `$#@ $#^* parkingowych za !#_#@ *_\ ^\# ^@\ `$#@ !*^ !#_#@ ~@ !#`^ ^`\`@@ ^`\`@@ # @#^\ `$#@ !*^ na podstawie !\@ ~\$^ !*#^@ $$ _\$# #$ ^ # szacowania `$#@\^~%`\*#$`\`$##^ [2]. \$#$_#$##^ zarówno do sz@#^`$#@!*^!#@!*#_$_`*#$^$@ parkingów bez kontroli wjazdu, stosowanej w innych metodach wyznaczania liczy wolnych miejsc do parkowania. *##`\$#*\*$sprzedane bilety, $#_##@#^~\_\`@`\$ aktualnie wolnych. ... 50 48 1 2 STOP 49 Parkomat PT parkingu ... Rys. 1. *#^!~!*%!*#_$\_ o Metoda ta `\$ _# #* # #*# `\$ ~\ # $\# @ *#$_ ^ !\ ^*%!#\# @% !*#^ #*# `\$ _\`# $\ !\ \!@@@ ~\$ ## ^#~#\ #!$ #~\_\!@@@ _##^ !\ @$\ *#$#~\ #!$ Wyznaczenie specjalnych miejsc dla ^#~#@ !@\ $\!#!^##*#. $@_\`@@_#$~#^#\~\$\*$# @ $\ \$\*$# Jednak koszt zastosowania wybranej metody je$ ` !# #!@^\$\^*#^@#$*#^@^\$@`^$%*$% $\_% !*#^\# !#\^ $\_ !#^_ *\#^@^ *#$ $~*# @ !*#_$% #*\#^\` *~@` !\ *#$#~%`@@ ~\$ Dalsze Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… 55 #^#!$\#$$\`_\$#\`*#`\`*#$\`#^# \~\_ %@ $\` _\$# `\$ _#~^# #_#^ *\#^@^ # ^#~@ miejscach parkingowych np.: !#_#@tablicy informacyjnej jak na rysunku 2. *i takim tablicom kierowcy ^\\ gdzie %* !*^ ^#~_ _\`@_!*#^_$@%_\@*~*$*@$~@^*~%@#^@!%*$@ np.: na trasach dojazdu do centrum miasta. PARKINGI Pstrzerzony ul. Warszawska WOLNE MIEJSCA 32 Pstrzerzony Pl. Centralny WOLNE MIEJSCA Pstrzerzony ul. Piska WOLNE MIEJSCA 0 40 Rys. 2. *$~@informacyjnej dla kierowców o 2. SZACOWANIE 9><;#ODSTAWIE ?ARKOWANIE W poprzednim rozdziale _\@##$*@##!_\$#*$^# podstawie [1], #@!#%^!\\^$*_*#$#`$`\*$\ !^#!##\ `_\` *%$\@ W tej metodzie \ \ !#@# ^!#$ @%`*^ @ \$\*$#^ ~\ !*#_$% *$ \`\$%`\ $~*# #!$ @ !*#^`*`%@##~!*#_$\^$\`_\$#\^_\_ @ @# \ `\_ * $\ \ #% !*% \ @# `* @ ~@ ^#~\ _\`@ !\ je do systemu informowania kierowców. Ta procedura %_#~^ #*\#^ *~@` %@%~\\ $\_% _\# ^ ^ @\ # #% !# ~@ ^#~@ _\`@ \ $\ !#^ # _%$ ^ *$\` ~@\ $!# ¡_#~^ $# @#^\ ^ !#\_ \ $~*# # ~\ $#\ @ _\@\ Uproszczony schemat blokowy systemu #_#^*\#^@^#`$#@!*^%_\@##%*% 56 Marek Stawowy, Andrzej Szmigiel P ul. Warszawska P WOLNE ul. Warszawska P WOLNE 32 MIEJSCA 32 0 32 0 40 0 40 40 ul. Warszawska Pl. Centralny MIEJSCA WOLNEWOLNE Pl. Centralny MIEJSCA MIEJSCA WOLNE Pl. Centralny ul .MIEJSCA Piska WOLNEWOLNE ul .MIEJSCA Piska MIEJSCA WOLNE ul . Piska MIEJSCA WOLNE MIEJSCA "#!# Tablice informacyjne (!) $& Kontrolerzy (parkomaty) ('&) Rys. 3. Schemat blokowy $\_%#_#^*~\$^#`$#@!*^ Obliczanie ^#~@_\`@`\$$#%*#^#!#$\`*^!#_^#\: n LWMP LMP ¢mz (i ) (1) i 1 gdzie: LWMP – liczba wolnych miejsc parkingowych, LMP – liczba miejsc parkingowych, mz 0,1 – stan miejsca parkingowego, 0 wolne, 1 – `$\`\$$#$_\`@ podstawie sprzedanego biletu, i – kolejne miejsce, n - liczba miejsc parkingowych na parkingu. \*#^^\$~\^$\_\#_#^\ LRMP gdyLRMP D LWMP gdyLRMP (2) gdzie: D – ~@^#~@_\`@!*#^@#^^\$~\$~@#_@`\` LRMP – ~@^#~@_\`@!*#^@!#~@#@!\#% LWMP – liczba wolnych miejsc parkingowych. Kolejnym krokiem jest stworzenie algorytmu**$\_%#$_~@^#~@ _\`@ !*% '#!$^ `\$ `\\ !* # #% ^\~% \ $~*# zwielokrotnieniem wykonania tego samego algorytmu. Algorytm taki przedstawiono na rysunku 4. Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… 57 Start LRMP NIE TAK i:=1, LWMP:=0 D:=LRMP LWMP:=LWMP + (mz* k) Wyznacz korekty k i := i + 1; i <= n + 1; NIE TAK D:=INT(LWMP) Koniec Rys. 4. Algorytm wyznaczania wolnych miejsc parkingowych o * ^ %*% ^!#^# #$ #$*#^# ^!@* k, który %_#~^ !\`\ *##^ ~@ ^#~@ _\`@ `\~ $\_ #$\ ^!##^_\@_ adaptacyjne przy obliczaniu wolnych miejsc [1,2]. 58 Marek Stawowy, Andrzej Szmigiel 3. MODELOWANIE REJESTRA=@99> MIEJSC NA PODSTAWIE ? PARKOWANIE Do zamodelowania `*#@#_@`#`$#@!*%_\$#*$^*#$%`\ \!*#_$^%$# dwóch metod: ^!@*!\^#@!#$\#$\# \^\@` _$\_$@\` #!##^ _#\~ _# ^ _#\~\_ `*#@ informacji (IQ – ang. Information Quality) m#\*`\\`!#$\*#@#^\` h - poprawnie dostarczono dane. Obserwacje prz@_#$!%`@\ e1 – #_@`#`$#@`\$!#!^ e2 – \@#^\~#@^#~@_\`@!#$^\@!*#_$^ e3 – uszkodzenie parkomatu, e4 – %*#\\%\$\%`@@$\_\_ e5 – uszkodzenie lub wadliwe oprogramowanie, e6 – $_`@\#$~\_\#\ e7 – *~@`~@!\#% \^@`\ $\ #$ !\$^#\ !*#^# ^ @\~% pokazania %^\~#@ tej metody. $#@ ^!@*^ #\^@` \ \@^$\, ~\ ~#\ # \@^$@^$@`@\^@\~%zastosowania opisywanej metody. Do modeli _# #^\~\^@\`#\^@` Tabela 1 Q6X\^_'`^7\%_6067qv*`X0{&'Q}%~0^&_\v$06X``^('%_7Q&'0^\Q6X06X` Obserwacje przyczyn e1 e2 e3 e4 e5 e6 e7 Ws!@*#\^@` 0,9 0,1 0,3 *10-3 0,5 *10-6 0,5 *10-6 0,1*10-6 0,1 *10-3 3.1. MODELOWANIE NIEPEWNO999#IU TEORII EWIDENCJI MATEMATYCZNEJ \# \^\@` _$\_$@\` * \ _#~^ `\$ $\ #_@` ~ !#@\~@ \~\_\$@ _ !^#!##\$^ m # $\#^ #_@`\^\$`\~!\@\~%!#@#@\ [5,6,7] *$\ _##!^orem: Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… m3 (C ) m1 ( Ai )m2 ( B j ) Ai B j C 1 59 m1 ( Ai )m2 ( B j ) (3) Ai B j O Gdzie X, Y i Z – #\^@`\!\\$%`!###%; m1 i m2 – zestawy mas (ang. sets of masses); m3 – nowy zestaw masy. $\ $ ^ `\$ \% *#_@` \_!$\ ¤ %*@` ¥¥¦ basic belief assignment - podstawowe !!#*#^\ !^#!##\$^ `\$ \#^^$!%`@!# m : 2§ # 0,1! m $ ! 0 (4) m( A) 1 A" § Przekonanie (ang. belief) oznaczane w skrócie Bel [0,1] mierzy !#*@ #\^@`^!\`@@!\*#\#!^^#@#^\##%!#$\ Bel ( A) m( B ) (5) B" A X%Q''*`%~ (ang. plausibility) oznaczana w skrócie Pl ¨ #*\~ ~\ !\*#\#!^^#@A jest ograniczo\!\#^#^!\`@\©A. Pl ( A) m( B ) (6) B A% 0 Pl ( A) 1 Bel (A) '\%*#_@`^!^%*@`!\*#_#`!$* Bel1 & Bel 2( A) m & m ( A) 1 2 (7) B" A 3.2. <;=;INFORMACJI WYBRANEGO SYSTEMU POWIADAMIANI PARKINGÓW <;;MATEMATYCZNEJ *$\#\^\@`_$\_$@\`_#$\#^#_@`\@\ #$#$##!\^#\_3). Zdefiniujmy trzy obserwacje skutków na podstawie obserwacji przyczyn: 60 Marek Stawowy, Andrzej Szmigiel Ze1 – dane poprawne, (e1), Ze2 – \\#$\\\ª Ze3 – \#$$~\\\\e3, e4, e5, e6, e7). $\~@!\$^#\#$*#~\`\\$!~#\^@`*%$*^ §«¬\\\\\ª\\¤® m1§« m2 ({e1}) = 0,9 m2 §«¨ (8) Tabela 2 Obserwacja Ze1 m2 ({e1}) m3 ({e1}) m1§ m2 § m3 § m4 ({e3,e4,e5}) = 0,000301 m4 §«¨¯¯¯¯¯ (9) Tabela 3 m3 ({e1}) m3 § Obserwacja Ze2 m4 § m4 ({e3,e4,e5}) m5 ({Ø}) m5 ({e1}) m5({e3,e4,e5}) m5 § m6 ({e2,e3,e4,e5,e6,e7}) = 0,1004011 m6 §«¨¯¯¯ª¯°¯ (10) Tabela 4 Obserwacja Ze3 m6 ({e2,e3,e4,e5,e6,e7}) m6 § m5 ({Ø}) m7 ({Ø}) m7 ({Ø}) m5 ({e3,e4,e5}) m7 ({e3,e4,e5}) m7 ({e3,e4,e5}) m5 ({e1}) m7 ({Ø}) m7 ({e1}) m5 § m7 ({e2,e3,e4,e5,e6,e7}) m7 § Bel(e1) = m7(e1) (11) Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… 61 \~#_\¥\~\«±², $#^*#~@\!^*#$%do modelowania teorii ewidencji ^*%`\_^\~*#`*#@#_@`$_!!*%`*#@ #_@`#`$#@!*^\@_#~\_#@`@_^$_!!*%\ ±²^@\~%#\_\$#_#\~#^\!\^#@%$\`#^@±² `$\ ^$#@ ^!@*^ #\^@` #$ %$\ ^ !#_\ *#_!%$\#^_ # ^~@\ ±² # # _%~@` #!@ ^ ~\` @@ $\# $*%% W celu obliczenia IQ(DS) #$ ! !\@`~ !#_ *#_!%$\#^. !#_\ %$\ #$ ^$#@ m takie jak zaproponowane we wzorach (8,9,10). ^*%#$_#^$#±²«0,89001. ³#~\`_ \$!\_ ~ _%~@` ^@ ±² W $_ @\~% $*\ #$ napisany specjalny program #_ $\ ^*#$%`\ #* #_~\ #@~\\_ $#^_ # ^$#@ ¨´ w$#@ \\` '#* #$ #@#\ *\\_ ^$#@ `*\ _#\ !`_#^ IQ(DS) ^ #\ ~ ^#^ (5,6 *# ^$#@ \\ !#$^## ^$#@ m %$\ do #~@\±²\^#^°,9,10). µ@!#^$\_%~@`^#¨¨¨¨* symulacji przedstawia rysunek 5. 2500 2500 2000 2000 IQ(DS) 0,94 0,84 0,73 0,63 0,53 0,43 0,33 0,22 0,12 0,02 - 0,08 - 0,18 - 0,29 - 0,39 0 - 0,49 500 - 0,59 500 - 0,69 1000 - 0,80 1000 - 0,90 1500 - 1,00 1500 0 IQ Rys. 5. Symulacja wyznaczania IQ(DS) o przy pomocy autorskiego programu komputerowego. _%~@` !#*%`\ \ _ ^$#@ !^#!##\$^ #\^@` _ \!#\ ^!^ ^* #~@\ * $# *$% \ ^$# *#@#^ ^ $_ !!*% ±² `\$ ~#^# ~\ od ^$#@ !^#!##\$^ #\^@` w ramach tego samego modelu. 62 Marek Stawowy, Andrzej Szmigiel 3.3. <;=;#"?9;HIPOTEZY < * ^\` ^!#_# ^#_ _#\~\_ # #!% `*#@ #_@` _#\ _#\~#^\ ^!@* !\^#@ !#$\ * \ ^$# $\# ^!@*^!#$^$#@^*%`@`*# #_@`^\` !#$\ [10,11] Rzetelne przedstawienie wymaga opisania formalizmów. Formalny opis uproszczony [9] ^!@*!\^#@`\$$!%`@ CF' s * MB' s * MD' s * (12) Gdzie: CF - ^!@*!\^#@ MB – #^##^\^\@~_^##@_\%\#\~\ MD – #^##^\\^\@~_\^##@_\%\#\~\ s – !#$\!#$^\`*\`#_@` ~\!_$\ MB # 0,1!; MD # 0,1! czyli CF ' 1,1* (13) \ ^~% $# \ $\`\ ^\~\ #_ _#\~#^ !#\` #!\ #$ !#$^#^\~\#@[1] ~_#\~%^#~\\# v&`%*7q$X%7*\%_}'&%&X ^~@\ !\`@ ^ 6 _ ^#_ ^#~\_ #\^@`_ !#$\`\$$!%`@ [9] 1: CF( h , e1, e 2 ) 1 CF( h , e1) 9 CF( h , e 2 ) CF( h , e1) / CF( h , e 2 ) , CF( h , e1) 9 CF( h , e 2 ) , -1 min( CF( h , e1) ; CF( h , e 2 ) ) -CF ( h , e1) 9 CF( h , e 2 ) 9 CF( h , e1) / CF( h , e 2 ) , CF( h , e1) : 0, CF( h , e 2 ) : 0 CF( h , e1) / CF( h , e 2 ) . 0 CF( h , e1) . 0, CF( h , e 2 ) . 0 \$^##$$~*#^!#@\^#~\\#$*\$~*#^$!%`^$__#\~% (14) Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… e1 63 CF(h ,e1) h e2 ,e2) CF(h Rys. 6. '^#~\\!\`@_^#_#\^@`_!#$\ P#@\e ^#~\\ _#\ !#^#\ # `\\# !#@\ `* 7. @^# $ %_#~^ %!#@\\ #~@\ ^ _#\~% !#!##^_ w kolejnym rozdziale. e1,e2 h CF(h,e1,e2) Rys. 7. Wynik uproszczenia na podstawie wzorów (14) 3.4. <;=;<9@;! #9#;<;=;<9;!< #"?9;>;9 !#!\_ #~\ #!\ #$ ^\ _\$# _#\~#^ \!\^#@ #!$^_!*\_##\$##^##@#^ `*#@#_@` IQ. \@_#~\_#@`@_^$_!!*%\±²CF^@\~%#\ _\$# _#\~#^ \!\^#@ %$\` # ^@ ±² *#$%`@ _#\~#^\ \!\^#@ !#_#@ _# !\$^ $* `* %*% 8, ^$#@!#@\~@!`*^$\~5. 64 Marek Stawowy, Andrzej Szmigiel Tabela 5 _\v$06X``^(^\7&`%~0^{^\%}76 przypisane na podstawie tabeli 1 h CF(h,e1) = 0,9 CF(h,e2) = -0,1 CF(h,e3) = -0,3 *10-3 CF(h,e4) = -0,5 *10-6 CF(h,e5) = -0,5 *10-6 CF(h,e6) = -0,1*10-6 CF(h,e7) = -0,1 *10-3 #\#%!\^\#±²_#\~#^\#$\_%^#¨ªª¨ Kolejnym krokiem jest _%~@`@\~%^*#_%~@`#$!!\@`~ !#_ #_ $\ ^*#$%`\ #* #_~\ #@~\\_ $#^_ #^$#@¨´^$#@\\`'#*#$ #@#\*\\_^$#@`*\ _#\ !`_#^ ^ ^zoru (13 *# ^$#@ \\ !#$^## ^$#@ kolejnych CF z tabeli 5µ@!#^$\_%~@`^#¨¨¨¨ Wynik symulacji, razem z wynikiem symulacji IS(DS) przedstawia rysunek 9. e1 CF (h, e1 ) e2 CF( e3 CF(h,e e4 CF(h,e4) h,e 2) 3) ,e5) e5 CF(h e6) (h, CF e6 e7 ) e7 (h, CF Rys. 8. Graf modelu CF h Metody _#\~#^\!\^#@^$##^%@#^`*#@#_@`… 65 2500 2500 2000 2000 IQ(CF) IQ(DS) 0,94 0,84 0,73 0,63 0,53 0,43 0,33 0,22 0,12 0,02 - 0,08 - 0,18 - 0,29 - 0,39 0 - 0,49 500 - 0,59 500 - 0,69 1000 - 0,80 1000 - 0,90 1500 - 1,00 1500 0 Rys. 9. Wynik symulacji obu modeli CF i DS 4. WNIOSKI W pracy przedstawiono metody _#\~#^ \!\^#@ ^*^ \$\*@` \$_@` ^#~@ _\`@ !*@ _\$# \$_@` ~@ ^#~@ _\`@ # @#^\ $\` ~@ !#$^\ #!$ !*#^\ !# _$\_$@\~#$_\__\$#\$_@`~@^#~@_\`@!*#^@ Przedstawiona szc\#^# ^ $*%~\ _\$# %_#~^ @#^\ ~@ _\`@ !*#^@ \ \` ^\$@` ^ $%*$% !*% $@ *#$ z danych zarejestrowanych przez parkomaty @#^# *~#^ \ $\_% poprzez zliczanie wolnych mie`@ ##~\!$@\ % !*% $* !^ #*\#^#%@@^#!*%`@@*\*~@`\^_$%\#$*#^@ osób. W kolejnym rozdziale przestawiono metody ^@`*#@#_@`#`$#@ !*% !#_#@ _#\~#^ \!\^#@ _\$# #!$ $\# \^\@` matematycznej Dempstera i Shafera # _\$# #!$ # ^!@* !\^#@ hipotezy @## ^**i `*#@ #_@` ±² i IQ(CF) przy pomocy programu komputerowego, przygotowanego przez jednego z autorów, do modelowania 66 Marek Stawowy, Andrzej Szmigiel \!\^#@ *## _%~@` ^*^ ^ ~\#@ # _ ^$#@ ^\`@#^@^#*%#_~\# dla obu metod modelowania. $!\!#^# ^*_%~@`#%_\$#^*%_#$^\\#\_\$#_#\~#^ \!\^#@ ^*#$\ ^ $\` !@ _# % # ^@ `*#@ #_@` Jednak wyniki, co # ^$#@ \ @ $\` #_\#@ ^*^ \ *\^$#@~_\$#`\$!\¨~_\$#`\$$#!\-1,1]. $^$#*#@#^±²¶±² Przedstawione zastosowanie metod modelowania do wyznaczania IQ informacji o `$#@ !*^ %_#~^ #@#^\ *$ _\$# ^@ `$#@ !*^ `\$ ~\! *\ *#~\`_ \$!\_ \ !#^\ *%$\@#@ _\$# ^@ `$#@ !*^ _ !\\$#^_ ^ !#_#@ `*#@ informacji. Bibliografia 1. Stawowy M., Szmigie~¦\$#\$\*@`\$_@``$#@!*^µ#$*¸¨ss 59765982. 2. Stawowy M., Szmigiel A., #\~#^\ \!\^#@ #_@` # `$#@ !*^ Logistyka 4/2014 ss. 2481-2488. 3. Boltze M., Puzicha J. Effectiveness of the Parking Guidance System In Frankfurt am Main. Parking Trend International May 1995. ss 27-30. 4. $^#^ _\~ ¦ _\~ $\_ ¦%$#_$@\# #% *_ Prace naukowe - Transport 82/2012 ss 85-102. 5. Shafer G.: A mathematical theory of evidence. Princeton University Press, Princeton 1976. 6. Dempster, A.P.: A generalization of bayesian inference. Journal of the Royal Statistical Society. Series B (Methodological) 30 1968. 7. Dempster, A.P. Upper and lower probabilities induced by a multi-valued mapping. Annals of Mathematical Statistics 38 1967. 8. http://www.systemy-parkingowe.pl/ - systemy parkingowe i szlabany, 2014. 9. Heckerman D., The certainty-factor model. In S. Shapiro, editor, Encyclopedia of Artificial Intelligence, Second Edition, Wiley, New York, 1992, ss 131-138. 10. $^#^ *# #_@` ^`@ $\_^ #% $ruktur krytycznych, Prace Naukowe Politechniki Warszawskiej - Transport. Oficyna Wydawnicza 104/2014, ss. 103-113. 11. Stawowy M., Model for Information Quality Determination of Teleinformation Systems of Transport, Edited by Tomasz Nowakowski, M\* @* Anna Jodejko-\$%@%* ~^ \*Wojciechowska, CRC Press 2014, ss 1909–1914. MODELING METHODS OF UNCERTAINTY IN THE APPLICATION OF THE EVALUATING OF THE INFORMATION QUALITY OF FREE/BUSY OF CAR PARKS Abstract: At work shows the estimation method of the number of free parking spaces on the basis of parking fees. Provides a method for determining the quality of free/busy information parking lot using uncertainty modeling methods based on mathematical theory of evidence and based on certainty factor of hypothesis. The values of quality information IQ has been calculated with the help of a computer program. The simulation of results was performed according to the input values change according to the normal distribution. Compares the results of the simulation for both methods. Keywords: modeling, occupation, car park, uncertainty models