基于改进Elman神经网络的交通标志信息量度量

骆 晨，刘 澜,2，李 新，褚鹏宇



基于改进Elman神经网络的交通标志信息量度量

骆 晨1，刘 澜1,2，李 新1，褚鹏宇3

（1. 西南交通大学，交通运输与物流学院，成都 610031； 2. 西南交通大学，综合交通运输智能化国家地方联合工程实验室，成都 610031； 3. 铁道第三勘察设计院集团有限公司，天津 300000）

为了提高交通标志信息量的度量精度，构建驾驶员认知交通标志信息传输模型，针对传统Elman神经网络算法在求解该问题时因量纲不同而造成数据集的波动性较大、不利于模型逼近的问题，设计了灰色关联度权重分配Elman神经网络算法进行求解仿真。采用1-AGO灰化处理样本数据集，使数据呈现单调递增趋势，弱化了数据的波动性，对数据进行归一化处理，统一数据集量纲，加快了网络训练速度，提高了算法精度。仿真结果表明：灰色关联度权重分配Elman神经网络算法在求解性能上有较大进步，可为交通标志信息度量提供有效解决方案。

交通标志；信息度量；神经网络；灰色关联度

0 引 言

交通信息为驾驶决策提供重要的依据，高效的交通信息能有效地诱导驾驶员调整行驶路径，在提高其出行效率的同时达到减缓甚至疏散交通拥堵的作用，从而保证城市道路交通系统效能最优。

交通信息与驾驶员的交互性，决定了交通信息的诱导效率主要体现在交通信息的信息量及其对驾驶员的负荷水平两方面。目前在国外交通标志信息量阈值研究中，Dudek等[1]基于信息理论发现，驾驶员在驾驶过程中能无影响地每秒分心处理单位的信息量；Lai[2]分析了可变信息板的色彩方案以及信息数量对驾驶员的影响，其中色彩方案为使用一个、两个或三个颜色，信息数量为单行、双行、三行，研究结果显示红色单个信息以及单行信息有利于驾驶员对发布信息的理解。在国内的研究当中，左淑霞等[3]利用信息理论，建立特色交通标志信息传递的理论模型，计算交通标志内的信息量并以西藏地区为例制定特色交通标志，研究结果显示“特色交通标志”的信息量阈值为286.3bit；卢亮等[4]以快速路进、出口中的交通标志信息量为研究对象，基于信息理论构建交通标志信息量度量模型，通过实验仿真手段比较进、出口交通标志的传递效率，研究显示相对于出口标志而言，进口标志的信息传递效率明显较高，便于驾驶员理解；刘小明等[5]设计了包含指路标志与车道行驶方向标志的组合标志，测定被试者视认组合标志的正确率及反应时间，得到组合标志的信息量阈值，结果显示：车道数为3~7时，驾驶员的认知正确率呈递减趋势，而反应时间呈递增趋势，在指路标志中对某一路名的认知时间是箭头认知时间的5倍，指引图形较简单的组合标志信息量阈值为6条路名信息，指引图形较复杂的组合标志信息量阈值为5条路名信息。

上述研究从单一信息源角度研究交通信息量度量，分析单类信息对驾驶员诱导效率以及驾驶员对该类信息的负荷阈值。针对实际驾驶过程中的交通信息而言，其由多种单类信息相互组合而成，包括：广播信息、交通标志信息、可变信息板信息、导航信息等，在实际信息接收过程中由道路环境、驾驶员心理、驾驶员偏好等各方面因素影响。只有综合考虑上述因素，对交通信息量进行度量，通过模拟实验进行阈值确定才具有实用性。

1 交通标志信息量模型构建

交通标志信息的主要功能是通过信息本身对交通状态进行客观描述，描述过程中不具备传递自身信息属性的功能。驾驶员则根据交通标志信息所携带的信息，根据自身的经验对道路交通系统进行判断，从而生成独有的出行决策[6]。

根据驾驶员认知心理学原理，从驾驶员视觉角度认知交通标志的一般规律出发，交通标志信息传输及其结构模型，如图1所示。信息传输过程可以分为发现、识别、认读、理解和反应5个阶段，其中前三个阶段又与道路环境、个体属性相关。

图1 交通标志信息传输结构图

交通标志信息量是由个体因素、驾驶道路环境、交通信息量等多属性决定的非线性值，该值由反应时间与单位信息处理量标定[7]，记为：

从信息分类上来看，交通标志信息主要由汉字、字母、阿拉伯数字、颜色、几何形状、指路角度、符号等单类信息组成；从驾驶道路环境上看，受道路数量、天气等因素影响，用表示；从个体因素上看受单类信息偏好、个体识别能力等因素影响，用表示[8]。交通信息量可定义为一个与认知时间、单类信息、驾驶环境、个体因素相关的广义交通标志信息量函数：

可表达为

2 基于灰色关联度权重分配的Elman神经网络算法设计

Elman神经网络是一种具有动态特点的神经网络，它的功能主要反应在可以利用自身所具有的动态映射功能表征并存储内部的变化状态，被广泛用于交通流量预测、驾驶决策分析、信息量度量等领域[9]。但在求解交通标志信息量度量时存在一些问题：输入层中输入向量权重一致，无法体现不同个体特征以及不同驾驶道路环境下的交通标志认知过程，致使输出层仅与单类交通信息量有关，与实际不符。

为此，本文在Elman神经网络的基础上提出一种基于灰色关联度权重分配的改进Elman神经网络算法解决该问题。过程可以表达为：首先，在分析并选取影响交通标志信息量因素的相关因素的基础上，采用灰色关联度法确定各影响因素与信息量的相关性，通过关联度进行权重分配，以此来表征个体特征以及驾驶环境的影响；然后，输入经过序列化和归一化处理且具有权重值的输入值，利用Elman神经网络寻找输入输出变量之间的非线性映射关系；最后，得到交通信息量度量曲线，并确定阈值。

2.1 灰色关联度权重分配

则各影响因素权重为：

2.2 交通信息量数据列归一化

在交通标志信息量的影响因素数据采集中，因各影响因素的量纲不同，数据集的波动性较大，不利于Elman神经网络模型的逼近[10]。为解决该问题，本文通过1-AGO灰化处理样本数据集，达到样本数据具有单调递增趋势的特性，进一步削弱了数据计算过程中的波动特性。为加快网络训练的速度，通过归一化处理使得数据范围保证在[0, 1]之间，并且统一数据量纲。

利用公式（10）对新数据集进行归一化处理得到Elman神经网络输入层、输出层数据，记为

其中，

2.3 基于灰色关联度权重分配的Elman神经网络模型

Elman神经网络主要由输入层、隐含层、承接层和输出层四个层级组成。其中，输入层的单元具有信号传输作用；输出层单元具有线性加权作用；隐含层单元的传递函数可采用线性或非线性函数；承接层主要实现层内或层间的反馈联结，使其能够表达输入与输出间的延迟特性，实现网络的记忆功能[11]。Elman神经网络的结构见图2。

图2 神经网络结构图

综上所述，灰色关联度权重分配的Elman神经网络算法求解交通标示信息量步骤如下：

步骤1 确定交通标志信息量度量指标和相关因素，并进行原始数据采集；

步骤5 确定交通标志信息量度量的Elman模型的网络结构，将步骤4得到的输入向量作为输入数据，实测的交通标志信息总量作为输出数据，训练Elman 网络，得到输入向量与输出向量之间的非线性映射关系，得到交通标志信息量度量模型。

3 算例仿真

3.1 仿真结果

为验证模型和算法的有效性，以文献[5]中设计的交通标志信息量实验为例进行分析。在实验中设定7组实验，具体数据如表1所示：

表1 样本数据统计表

Tab.1 Sample statistics

将实验过程中采集的四个影响因素进行1-AGO灰化处理，并作为输入向量，以认知时间为输出向量。确定改进Elman网络为4维输入、1维输出的网络结构，隐含层神经元的个数为7个，隐含层传递函数为tansig函数，输出层传递函数为purelin函数，训练步数为1500，目标误差0.001。将拟合结果进行反归一化及反1-AGO 处理，最终拟合结果及误差如表2所示。

表2 拟合结果对比分析表

Tab.2 Comparison of the results of the fitting

由表2可知，基于改进Elman神经网络进行交通标志信息度量，最大拟合误差为7.718%，最小拟合误差为0.955%，平均拟合误差为3.451%。拟合精度以及拟合稳定性达到要求，第四组拟合误差达7.718%，分析其原因为：在实验过程中设定的能见度较低，出现认知难度增大、认知时间较长，导致信息量变大，而基于改进Elman神经网络模型在数据拟合中对该类数据的权重分配不足，导致拟合误差增大。

3.2 算法性能对比

将运用标准Elman神经网络算法和运用改进Elman神经网络算法求解同一实验数据的结果进行对比分析，两者在网络结构、传递函数及训练步数方面的对比结果如表3所示：

表3 仿真结果比较

Tab.3 Simulation results comparison

对比两算法可以发现，标准Elman神经网络算法的平均误差为5.57%，改进算法的平均误差为3.451%。本文提出的改进算法在最大误差、最小误差、平均误差上均优于标准算法，说明改进Elman对交通标志信息量有较好的拟合，拟合结果更稳定可靠。

4 结束语

本文提出一种基于灰色关联度权重分配的改进Elman神经网络算法用以求解交通标志信息量度量问题。首先，研究如何将交通信息标志实验数据进行灰色相关度权重赋权；然后，研究为解决实验数据系列量纲不同以及波动性较大的问题，通过1-AGO灰化处理样本数据集的方法，使数据呈现单调递增趋势，弱化了数据的波动性，并对灰化数据系列进行归一化处理，提高了Elman神经网络模型的逼近效率。算例仿真表明，针对交通标志信息量度量的灰色关联度权重分配的Elman神经网络算法相对于标准Elman神经网络算法拟合误差更小，拟合效果更佳，对交通标志信息量度量具有一定参考价值。

[1] DUDEK C L, HUCHINGSON R D. Manual on real-time motorist information displays[R]. Washington: Federal Highway Administration, 1986.

[2] LAI C J. Effects of color scheme and message lines of variable message signs on driver performance[J]. Accident Analysis & Prevention, 2010, 42(4): 1003-1008.

[3] 左淑霞, 席建锋, 肖殿良, 等. “特色交通标志” 设计及其信息量度量方法研究[J]. 中国安全科学学报, 2010, 20(11): 139-144.

[4] 卢亮, 石建军. 基于信息量的交通标志信息表达方式比较研究[J]. 交通标准化, 2009(15): 65-69.

[5] 刘小明, 王蔚, 姜明, 等. 组合交通标志信息量阈值研究[J]. 交通运输工程学报, 2016, 16(1): 141-148.

[6] 蒋海峰, 韩文元, 张智勇. 交通指路标志字高与视认性关系研究[J]. 公路交通科技, 2009, 26(7): 115-120.

[7] 交通部公路科学研究院. 交通标志视认性关键特征参数及数学模型[R]. 北京: 交通部公路科学研究院, 2008.

[8] 李勇, 胡双启. 灰色Elman 神经网络在火灾事故预测中的应用研究[J]. 中国安全科学学报, 2009, 19(3): 28-31.

[9] 姜平, 石琴, 陈无畏, 等. 基于Elman 型回归神经网络的公交客流预测[J]. 合肥工业大学学报: 自然科学版, 2008, 31(3): 340-342.

[10] 张健美, 周步祥, 林楠, 等. 灰色Elman 神经网络的电网中长期负荷预测[J]. 电力系统及其自动化学报, 2013, 25(4): 145-149.

[11] 王俊松. 基于 Elman 神经网络的网络流量建模及预测[J]. 计算机工程, 2009, 35(9): 190-191.

（中文编辑：李愈）

Traffic Volume Information Measurement Based on Improved Elman Neural Network

LUO Chen1，LIU Lan1,2，LI Xin1，CHU Peng-yu3

（1. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China； 2. National United Engineering Laboratory of Integrated and Intelligent Transportation, Southwest Jiaotong University, Chengdu 610031, China； 3. Third Reconnoitre and Design Institution Group of the Railway Ministry, Tianjin 300000, China）

In order to improve the accuracy of traffic sign information measurement, an information transmission model on the divers congnition of traffic signs was built. As the traditional Elman neural network algorithm has a high volatility of the datasets at solving this model due to the difference of dimensions, which would result in the inaccuracy of the approximation, this paper proposed a grey correlation weight distribution of Elman neural network algorithm to solve the problem. First, the 1-AGO (1st order Accumulated Generation Operation) method was applied to process the sample data set to make it monotone increasing and weaken its volatility, then the data was normalized and its dimension was unified to accelerate the network training speed and improve the accurancy of the algorithm. The simulation results showed that the grey correlation weight distribution Elman neural network algorithm had great progress in the solving performance, which could provide an effective solution for traffic sign information measurement.

traffic signs；information measure；neural network；the grey correlation degree

1672-4747（2018）03-0001-06

U491

A

10.3969/j.issn.1672-4747.2018.03.001

2017-05-26

四川省科技支撑计划项目（2014GZ0019-1）

骆晨（1989—），男，江西南昌人，博士研究生，主要从事交通信息量化研究。

骆晨，刘澜，李新，等. 基于改进Elman神经网络的交通标志信息量度量[J]. 交通运输工程与信息学报, 2018, 16（3）: 1-6.