基于人工神经网络的高速公路隧道群限速研究

2015-11-04闫慧丽金兰黄丹青丁齐黄小勇

城市道桥与防洪 2015年1期

关键词：人工神经网络灵敏度神经元

闫慧丽，金兰，黄丹青，丁齐，黄小勇

（中国市政工程华北设计研究总院有限公司，天津市300457）

基于人工神经网络的高速公路隧道群限速研究

闫慧丽，金兰，黄丹青，丁齐，黄小勇

（中国市政工程华北设计研究总院有限公司，天津市300457）

根据典型高速公路隧道群交通运行状况，从时间因素、交通动态因素、道路条件和隧道群环境因素等方面选取输入变量，以运行速度为输出变量，建立基于人工神经网络的高速公路隧道群速度预测模型；然后，通过灵敏度分析方法，研究各个输入变量对输出变量的影响程度，并对各个输入变量的灵敏度分析结果进行比较分析。研究结果表明：该方法能够针对隧道群交通流的实际情况，充分利用与速度密切相关的信息来模拟，克服了传统算法难以建模的缺陷，适合交通流限速控制的在线建模。该方法切实可行、准确度较高，可为制定高速公路隧道群速度限制提供理论基础。

人工神经网络；高速公路隧道群；限速

0　引言

近年来，随着我国高速公路快速发展，高速公路隧道的建设规模也不断扩大，尤其是在山区及丘陵地区高速公路建设中，长大隧道、隧道群也逐渐成为今后发展的重点方向。虽然建设隧道能有效缩短车辆行驶里程，节省运行时间，减少对自然环境的破坏，具有明显的社会效益和经济效益。但高速公路隧道群特殊的环境对交通安全造成很大隐患，因此，有必要对高速公路隧道群的交通安全进行研究。实践证明，合理的车速限制对于提高高速公路隧道（群）的快速、安全、经济和舒适水平具有促进作用，但不适当的车速限制则会反其道而行之。

但是到目前为止主要限速模型和限速方法大部分是针对整个高速路段，而关于高速公路隧道群限速方面的问题，我国开展的研究还不多，因此关于隧道群的限速标准和规范还没有正式出台，造成道路交通管理者在对高速公路路段上的隧道群设定限速值时，没有相应依据，限速设置合理性引起质疑［1］。

因此，本论文运用西汉高速公路隧道采集到的大量数据，通过对影响高速公路隧道群速度的主要因素，从时间因素、交通动态因素、道路条件和隧道群环境因素等方面出发，建立基于人工神经网络的高速公路隧道群速度预测模型；然后，通过灵敏度分析法，研究各影响因素的影响程度，从而为合理控制隧道内部运行车辆进行速度，保障隧道行车安全提供新的思路和研究方法。

1　人工神经网络的结构

人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统，它不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习和记忆能力。而BP神经网络是一种按误差逆传播算法训练的多层前馈型网络，是目前应用最广泛的神经网络模型之一［2］。

BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成，它是采用BP算法的多层神经网络模型，由输入层、中间层和输出层组成。其中中间层也就是隐含层、可以是一层或多层。BP网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时，信息从输入层经隐单元层处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回，返回过程中，逐一修改隔层神经元连接的权值。这种过程不断迭代，最后使得误差信号达到允许的范围之内。

典型的BP神经网络是一种具有三层或三层以上结构的无反馈的、层内无互连结构的前向网络［3］，见图1。

由神经网络的结构图可以看出，它有n个输入，每个输入都通过一个适当的权值Wi（i=1，2，…，n）连接到神经元节点上。输出函数y=f（a，θ），a即为全部输入的加权求和，a=∑ωixi，并且a作为激活函数f的输入，激活函数的另一个输入是神经元的阀值θ。BP网络中隐层激活函数通常采用Sigmoid型函数。BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

（1）权值和输入矩阵可写成

（2）作用函数模型［4］

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为（0，1）内连续取值Sigmoid函数：f（x）=1/（1+e）

（3）误差计算模型

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：式中：tpi——i节点的期望输出值；

opi——i节点计算输出值

（4）自学习模型

神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正过程。BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习模型为：

式中：h——学习因子；

φi——输出节点i的计算误差；

oj——输出节点j的计算输出；

a——动量因子。

图1　三层BP神经网络结构

BP学习算法当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

2　基于模糊神经网络的高速公路隧道群速度预测模型

西安至汉中高速公路是陕西省“2367”高速公路网六条辐射线中的重要组成部分，也是国家高速公路“7918”网（北）京——昆（明）线（G5）陕西境的重要一段。西汉高速是我国第一条穿越秦岭山脉的高速公路，桥隧多，被誉为“入川第一路”。西汉高速公路全线设计车速为60～80 km/h，全线采用双向四车道，路基宽度为26m（山区路段为24.5m），共设互通式立交8处，桥梁458座（单幅），隧道137座（单洞）103 458.8m，隧道占路线总里程的比例超过20%［5］。

因此以西汉高速公路隧道群八里坪秦岭一号隧道进口（K58+650）至秦岭三号隧道出口正河（K76+650）段为研究对象，用一个3层BP神经网络模型建立起高速公路隧道群速度预测模型，以便更好地保障隧道群安全高效运行。

在建立高速公路隧道群速度模型时，首先得考虑影响隧道群速度的因素，虽然驾驶人是对车辆运行方向和速度进行控制与操作的主体，但是人的主动能动性占很大比重，因此本研究暂不考虑驾驶人的影响，主要是选取了与高速公路隧道群速度相关性较大的因素，如时间因素、交通动态因素、道路条件、隧道群环境等，从而建立速度控制BP神经网络模型。针对危险路段或者容易发生交通事故的路段，设立交通设施标识，以保证高速公路隧道群安全畅通运行。

（1）输入变量

选取与高速公路隧道群速度密切相关的4类变量输入，分别为观测时间、交通动态、道路条件、隧道群环境［6］。其中根据调查的数据各个变量的具体编码见表1。

（2）输出变量

BP神经网络控制器的输出为高速公路隧道群路段的车辆速度限制值v，至于v的取值范围根据资料显示，到目前为止主要限速模型和限速方法大部分是针对整个高速路段，然而关于隧道群的限速标准和规范还没有正式出台，造成道路交通管理者在对高速公路路段上的隧道群设定限速值时，没有相应依据。因此，为了研究的方便，我们将高速公路隧道群的车速v的取值范围设为60～80 km/h。

（3）仿真研究

表1　输入变量的具体取值

a. 输入变量的归一化处理

在网络训练之前，首先得对数据进行归一化处理，然后选取60组数据分为训练样本和检验样本，使用上述算法对网络进行训练。选取其中80%的数据作为训练样本，其余的作为检验样本，以此来检验模型的精度。

b. 隐层神经元的确定

BP神经网络采用图1的网络结构，尝试使用1个2层BP神经网络结构，初步选择隐层神经元个数为5～10个，但是通过采用训练函数训练后，发现当隐层神经元为8时，其误差最小，因此选取隐层神经元个数为8。

c. 网络训练

通过选取适当的训练样本，训练迭代次数epochs=1 200。当训练结束后，将12组检验样本进行验证，结果发现网络的泛化能力很好，非常合乎规律，进而说明建立的BP神经网络模型是成功的，表明BP网络很好地描述了输入—输出模式映射关系。其仿真结果输出结果见表2。

表2　仿真输出结果

3　灵敏度分析

神经网络灵敏度分析的主要内容是，当网络的参数有一定扰动时，网络输出扰动的变化［7］。本文主要研究输入变量的变化对输出变量的影响程度，输出变量相对于输入变量的灵敏度。当网络训练结束后，经过相关运算可以得到各个输入变量相对输出变量的灵敏度。为了提高运算精度，取每个输入变量的灵敏度分析平均值，得出各个输入变量的灵敏度分析结果见表3。