基于人工神經(jīng)網(wǎng)絡(luò)的高速公路隧道群限速研究

閆慧麗，金蘭，黃丹青，丁齊，黃小勇

（中國市政工程華北設(shè)計(jì)研究總院有限公司，天津市300457）

基于人工神經(jīng)網(wǎng)絡(luò)的高速公路隧道群限速研究

閆慧麗，金蘭，黃丹青，丁齊，黃小勇

（中國市政工程華北設(shè)計(jì)研究總院有限公司，天津市300457）

根據(jù)典型高速公路隧道群交通運(yùn)行狀況，從時(shí)間因素、交通動(dòng)態(tài)因素、道路條件和隧道群環(huán)境因素等方面選取輸入變量，以運(yùn)行速度為輸出變量，建立基于人工神經(jīng)網(wǎng)絡(luò)的高速公路隧道群速度預(yù)測模型；然后，通過靈敏度分析方法，研究各個(gè)輸入變量對輸出變量的影響程度，并對各個(gè)輸入變量的靈敏度分析結(jié)果進(jìn)行比較分析。研究結(jié)果表明：該方法能夠針對隧道群交通流的實(shí)際情況，充分利用與速度密切相關(guān)的信息來模擬，克服了傳統(tǒng)算法難以建模的缺陷，適合交通流限速控制的在線建模。該方法切實(shí)可行、準(zhǔn)確度較高，可為制定高速公路隧道群速度限制提供理論基礎(chǔ)。

人工神經(jīng)網(wǎng)絡(luò)；高速公路隧道群；限速

0　引言

近年來，隨著我國高速公路快速發(fā)展，高速公路隧道的建設(shè)規(guī)模也不斷擴(kuò)大，尤其是在山區(qū)及丘陵地區(qū)高速公路建設(shè)中，長大隧道、隧道群也逐漸成為今后發(fā)展的重點(diǎn)方向。雖然建設(shè)隧道能有效縮短車輛行駛里程，節(jié)省運(yùn)行時(shí)間，減少對自然環(huán)境的破壞，具有明顯的社會(huì)效益和經(jīng)濟(jì)效益。但高速公路隧道群特殊的環(huán)境對交通安全造成很大隱患，因此，有必要對高速公路隧道群的交通安全進(jìn)行研究。實(shí)踐證明，合理的車速限制對于提高高速公路隧道（群）的快速、安全、經(jīng)濟(jì)和舒適水平具有促進(jìn)作用，但不適當(dāng)?shù)能囁傧拗苿t會(huì)反其道而行之。

但是到目前為止主要限速模型和限速方法大部分是針對整個(gè)高速路段，而關(guān)于高速公路隧道群限速方面的問題，我國開展的研究還不多，因此關(guān)于隧道群的限速標(biāo)準(zhǔn)和規(guī)范還沒有正式出臺(tái)，造成道路交通管理者在對高速公路路段上的隧道群設(shè)定限速值時(shí)，沒有相應(yīng)依據(jù)，限速設(shè)置合理性引起質(zhì)疑［1］。

因此，本論文運(yùn)用西漢高速公路隧道采集到的大量數(shù)據(jù)，通過對影響高速公路隧道群速度的主要因素，從時(shí)間因素、交通動(dòng)態(tài)因素、道路條件和隧道群環(huán)境因素等方面出發(fā)，建立基于人工神經(jīng)網(wǎng)絡(luò)的高速公路隧道群速度預(yù)測模型；然后，通過靈敏度分析法，研究各影響因素的影響程度，從而為合理控制隧道內(nèi)部運(yùn)行車輛進(jìn)行速度，保障隧道行車安全提供新的思路和研究方法。

1　人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的一種模擬人腦信息處理機(jī)制的網(wǎng)絡(luò)系統(tǒng)，它不但具有處理數(shù)值數(shù)據(jù)的一般計(jì)算能力，而且還具有處理知識(shí)的思維、學(xué)習(xí)和記憶能力。而BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋型網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一［2］。

BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成，它是采用BP算法的多層神經(jīng)網(wǎng)絡(luò)模型，由輸入層、中間層和輸出層組成。其中中間層也就是隱含層、可以是一層或多層。BP網(wǎng)絡(luò)的學(xué)習(xí)過程由兩部分組成：正向傳播和反向傳播。當(dāng)正向傳播時(shí)，信息從輸入層經(jīng)隱單元層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果在輸出層得不到希望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的神經(jīng)元連接通路返回，返回過程中，逐一修改隔層神經(jīng)元連接的權(quán)值。這種過程不斷迭代，最后使得誤差信號達(dá)到允許的范圍之內(nèi)。

典型的BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上結(jié)構(gòu)的無反饋的、層內(nèi)無互連結(jié)構(gòu)的前向網(wǎng)絡(luò)［3］，見圖1。

由神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖可以看出，它有n個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值Wi（i=1，2，…，n）連接到神經(jīng)元節(jié)點(diǎn)上。輸出函數(shù)y=f（a，θ），a即為全部輸入的加權(quán)求和，a=∑ωixi，并且a作為激活函數(shù)f的輸入，激活函數(shù)的另一個(gè)輸入是神經(jīng)元的閥值θ。BP網(wǎng)絡(luò)中隱層激活函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。

（1）權(quán)值和輸入矩陣可寫成

（2）作用函數(shù)模型［4］

作用函數(shù)是反映下層輸入對上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)又稱刺激函數(shù)，一般取為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)：f（x）=1/（1+e）

（3）誤差計(jì)算模型

誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)：式中：tpi——i節(jié)點(diǎn)的期望輸出值；

opi——i節(jié)點(diǎn)計(jì)算輸出值

（4）自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重拒陣Wij的設(shè)定和誤差修正過程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式-需要設(shè)定期望值和無師學(xué)習(xí)方式-只需輸入模式之分。自學(xué)習(xí)模型為：

式中：h——學(xué)習(xí)因子；

φi——輸出節(jié)點(diǎn)i的計(jì)算誤差；

oj——輸出節(jié)點(diǎn)j的計(jì)算輸出；

a——?jiǎng)恿恳蜃印?/p>

圖1　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP學(xué)習(xí)算法當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2　基于模糊神經(jīng)網(wǎng)絡(luò)的高速公路隧道群速度預(yù)測模型

西安至漢中高速公路是陜西省“2367”高速公路網(wǎng)六條輻射線中的重要組成部分，也是國家高速公路“7918”網(wǎng)（北）京——昆（明）線（G5）陜西境的重要一段。西漢高速是我國第一條穿越秦嶺山脈的高速公路，橋隧多，被譽(yù)為“入川第一路”。西漢高速公路全線設(shè)計(jì)車速為60～80 km/h，全線采用雙向四車道，路基寬度為26m（山區(qū)路段為24.5m），共設(shè)互通式立交8處，橋梁458座（單幅），隧道137座（單洞）103 458.8m，隧道占路線總里程的比例超過20%［5］。

因此以西漢高速公路隧道群八里坪秦嶺一號隧道進(jìn)口（K58+650）至秦嶺三號隧道出口正河（K76+650）段為研究對象，用一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)模型建立起高速公路隧道群速度預(yù)測模型，以便更好地保障隧道群安全高效運(yùn)行。

在建立高速公路隧道群速度模型時(shí)，首先得考慮影響隧道群速度的因素，雖然駕駛?cè)耸菍囕v運(yùn)行方向和速度進(jìn)行控制與操作的主體，但是人的主動(dòng)能動(dòng)性占很大比重，因此本研究暫不考慮駕駛?cè)说挠绊?，主要是選取了與高速公路隧道群速度相關(guān)性較大的因素，如時(shí)間因素、交通動(dòng)態(tài)因素、道路條件、隧道群環(huán)境等，從而建立速度控制BP神經(jīng)網(wǎng)絡(luò)模型。針對危險(xiǎn)路段或者容易發(fā)生交通事故的路段，設(shè)立交通設(shè)施標(biāo)識(shí)，以保證高速公路隧道群安全暢通運(yùn)行。

（1）輸入變量

選取與高速公路隧道群速度密切相關(guān)的4類變量輸入，分別為觀測時(shí)間、交通動(dòng)態(tài)、道路條件、隧道群環(huán)境［6］。其中根據(jù)調(diào)查的數(shù)據(jù)各個(gè)變量的具體編碼見表1。

（2）輸出變量

BP神經(jīng)網(wǎng)絡(luò)控制器的輸出為高速公路隧道群路段的車輛速度限制值v，至于v的取值范圍根據(jù)資料顯示，到目前為止主要限速模型和限速方法大部分是針對整個(gè)高速路段，然而關(guān)于隧道群的限速標(biāo)準(zhǔn)和規(guī)范還沒有正式出臺(tái)，造成道路交通管理者在對高速公路路段上的隧道群設(shè)定限速值時(shí)，沒有相應(yīng)依據(jù)。因此，為了研究的方便，我們將高速公路隧道群的車速v的取值范圍設(shè)為60～80 km/h。

（3）仿真研究

表1　輸入變量的具體取值

a. 輸入變量的歸一化處理

在網(wǎng)絡(luò)訓(xùn)練之前，首先得對數(shù)據(jù)進(jìn)行歸一化處理，然后選取60組數(shù)據(jù)分為訓(xùn)練樣本和檢驗(yàn)樣本，使用上述算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。選取其中80%的數(shù)據(jù)作為訓(xùn)練樣本，其余的作為檢驗(yàn)樣本，以此來檢驗(yàn)?zāi)Ｐ偷木取?/p>

b. 隱層神經(jīng)元的確定

BP神經(jīng)網(wǎng)絡(luò)采用圖1的網(wǎng)絡(luò)結(jié)構(gòu)，嘗試使用1個(gè)2層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初步選擇隱層神經(jīng)元個(gè)數(shù)為5～10個(gè)，但是通過采用訓(xùn)練函數(shù)訓(xùn)練后，發(fā)現(xiàn)當(dāng)隱層神經(jīng)元為8時(shí)，其誤差最小，因此選取隱層神經(jīng)元個(gè)數(shù)為8。

c. 網(wǎng)絡(luò)訓(xùn)練

通過選取適當(dāng)?shù)挠?xùn)練樣本，訓(xùn)練迭代次數(shù)epochs=1 200。當(dāng)訓(xùn)練結(jié)束后，將12組檢驗(yàn)樣本進(jìn)行驗(yàn)證，結(jié)果發(fā)現(xiàn)網(wǎng)絡(luò)的泛化能力很好，非常合乎規(guī)律，進(jìn)而說明建立的BP神經(jīng)網(wǎng)絡(luò)模型是成功的，表明BP網(wǎng)絡(luò)很好地描述了輸入—輸出模式映射關(guān)系。其仿真結(jié)果輸出結(jié)果見表2。

表2　仿真輸出結(jié)果

3　靈敏度分析

神經(jīng)網(wǎng)絡(luò)靈敏度分析的主要內(nèi)容是，當(dāng)網(wǎng)絡(luò)的參數(shù)有一定擾動(dòng)時(shí)，網(wǎng)絡(luò)輸出擾動(dòng)的變化［7］。本文主要研究輸入變量的變化對輸出變量的影響程度，輸出變量相對于輸入變量的靈敏度。當(dāng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，經(jīng)過相關(guān)運(yùn)算可以得到各個(gè)輸入變量相對輸出變量的靈敏度。為了提高運(yùn)算精度，取每個(gè)輸入變量的靈敏度分析平均值，得出各個(gè)輸入變量的靈敏度分析結(jié)果見表3。

表3　各個(gè)輸入變量的靈敏度分析結(jié)果

從表3可以看出：

（1）對于靈敏度分析結(jié)果有的為正，有的為負(fù)。如果靈敏度分析結(jié)果為正，表示增加該變量的輸入值，將導(dǎo)致輸出變量增加，即會(huì)對車輛行車速度影響變大；反之，則對車輛行車速度的影響變小。

（2）表中顯示10個(gè)輸入變量大小不同，這說明對高速公路隧道群速度的影響程度不同，其影響程度從大到小為：交通飽和度、大型車混入率、車輛在隧道群位置、天氣（大雪、大雨、大霧、大風(fēng)）、隧道群照明、隧道路段線形、隧道路段坡度、隧道通風(fēng)、觀測時(shí)刻（白天還是晚上）。

（3）大型車混入率、天氣和車輛在隧道中的位置的靈敏度分析結(jié)果比較相近，表明這幾個(gè)變量對高速公路隧道群速度的影響程度基本相等。

（4）交通飽和度，大型車混入率，車輛在隧道群入口、出口和連接段對高速公路隧道群的車輛速度影響最大。

（5）觀測時(shí)刻對車輛限制速度的影響最小，其靈敏度分析結(jié)果僅為0.05 ，表明其嚴(yán)重程度相差不大。

4　結(jié)語

本文取得的成果有：

（1）根據(jù)典型高速公路隧道群交通運(yùn)行狀況，從時(shí)間因素、交通動(dòng)態(tài)因素、道路條件和隧道群環(huán)境因素等方面選取輸入變量，以運(yùn)行速度為輸出變量，建立基于模糊神經(jīng)網(wǎng)絡(luò)的高速公路隧道群速度預(yù)測模型；

（2）通過靈敏度分析方法，研究了各個(gè)輸入變量對輸出變量的影響程度，從而針對不同輸入變量對速度的程度不同，可以抓住主次矛盾分析解決問題，為高速公路隧道群的安全暢通提供一定的參考作用。

但是本文也存在以下不足：

（1）本文采用的靈敏度分析方法僅僅反映了單個(gè)輸入變量的變化對輸出變量的影響程度，并沒有考慮多個(gè)輸入變量的變化對輸出變量的影響。

（2）本文僅僅選取了60組數(shù)據(jù)進(jìn)行模型的構(gòu)建和檢驗(yàn)，由于樣本量不是很大，結(jié)論的代表性略顯得不足，因此應(yīng)該增大樣本量做進(jìn)一步研究。

［1］ 王文勇.高速公路隧道群限速問題研究［D］.陜西西安：長安大學(xué)，2011.

［2］鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合技術(shù)［M］.北京：科學(xué)出版社，2007.

［3］ 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理［M］.北京：機(jī)械工業(yè)出版社，2010.

［4］ http：//baike.baidu.com/view/1753676.htm［EB/0L］.

［5］ 王亞群.高速公路隧道小客車運(yùn)行速度預(yù)測模型研究［D］.陜西西安：長安大學(xué)，2011.

［6］ 馬壯林，邵春福，李霞.高速公路隧道交通事故嚴(yán)重程度的影響因素分析［J］.北京交通大學(xué)學(xué)報(bào)，2009，33（6）：52-55.

［7］ 孫學(xué)全，馮英浚.多層感知器的靈敏度分析［J］.計(jì)算機(jī)學(xué)報(bào)，2001，24（9）：951-958.

U491.1

A

1009-7716（2015）01-0138-04

2014-09-09

閆慧麗（1984-），女，山西臨汾人，工程師，從事道路交通規(guī)劃和設(shè)計(jì)工作。