基于RBF神经网络的不利天气道路通行能力计算

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

基于RBF神经网络的不利天气道路通行能力计算—

—章锡俏　盛洪飞　姚艳雪21

基于RBF神经网络的不利天气道路通行能力计算3

章锡俏1　盛洪飞1　姚艳雪2

(哈尔滨工业大学1　哈尔滨150090)　(哈尔滨师范大学2　哈尔滨150500)

摘　要　不利天气下影响城市道路通行能力的各种因素都具有随机的、非线性,采用常态条件下修正理论通行能力的计算方法是不适合的。文章结合RBF神经网络模型方法能够良好地分析出随机的、非线性的特点,对路网组成单元进行重新划分,选定不利天气下道路通行能力的影响因素,建立了道路通行能力计算的RBF神经网络模型。并依据哈尔滨市暴雨天气下道路的实际情况进行了算例分析,计算的道路通行能力与实测数据最大误差为-1.16%,验证了模型的可行性和有效性。

关键词　不利天气;道路通行能力;RBF神经网络中图法分类号:U491　　文献标识码:A

0　引　言

下,的最大车辆数。目前,以分为两类:的,。第一类方法是在道路理论通行能力的基础上,考虑影响道路通行能力的诸多因素,通过对与理想道路、交通条件不相符的实际道路和交通条件进行修正,例如车道宽度、侧向净空、车辆组成、道路纵坡等,从而确定道路的实际通行能力[122]。可以看出,理论通行能力是理想的道路与交通条件下的通行能力,其计算方法缺乏对其内在交通机理的深入分析,虽然乘以了系列折减系数,但是这种关系缺乏理论上的说明和影响机理的分析。在实际中,完全理想的状况是不存在的,不利天气下的道路通行能力除了受车道宽度、侧向净空等确定性因素影响以外,还受许多随机性因素的影响(如降雨强度、风力、可见度等)。这些随机性影响因素与通行能力之间的关系比较复杂,所以本文采用以实测交通流量为基础的方法,应用径向基函数神经网络模型来处理不利天气和通行能力之间这种非线性函数关系,对路网组成单元的重新划分,采用不

收稿日期:2007210210;修改稿收到日期:2007211201　3国家自然科学基金项目资助(批准号:70673016);黑

龙江省科技攻关计划项目资助(CC052S309)

,。

在城市道路网中,路段与交叉口是路网中最常见的基本组成元素。不利天气下路段与交叉口之间的相互作用所导致车辆的停车排队现象会使路网整体的容量降低,而交叉口长度与路段长度相比又显得微不足道,因此基于车辆使用道路的特点,及不同的道路所表现出来的车辆运行特点,对路网的组成单元进行重新划分是极其有必要的。按照是否会形成排队等待的状况作为划分单元的依据,结合城市各等级道路的特点分析,将城市道路网划分为以下基本组成单元:

(1)快速路基本组成单元。基本路段+下游的相邻匝道(包括合流、分流及交织的匝道组合)。

(2)主干路、次干路基本组成单元。路段+相

邻下游交叉口。

(3)匝道基本组成单元。单个进出匝道作为独立组成单元。

由于交叉口种类的繁多,从不同类别划分角度,可组成不同种类的路网组成单元,但该类路网组成单元都是基于车辆进入路段以及离开下游交叉口进入下一个路段为结束点的,按照下游相邻交叉口相交道路数的划分方式进行,如图1所示。

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

22交通与计算机　2007年第6期　第25卷　总139期

RBF网络实现从输入空间到隐含层空间的

非线性变换依赖于RBF中心的数目、位置及作用

图1　路网组成基本单元的划分

域宽度,鉴于中心的选择对网络学习的重要性,所以很多算法及其改进算法都是针对中心的选择进行的。最常用的确定高斯函数中心参数的方法有竞争学习法、正交最小二乘K2means聚类算法、法等。确定权系数一般采用最小二乘法[3]。2.2　基于RBF神经网络的通行能力预测模型

2　基于RBF神经网络的通行能力预

测模型

2.1　径向基函数神经网络的基本结构和学习算

法

构成径向基函数(radialbasisfunction,

RBF)神经网络的基本思想是:用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量直接(即不通过权连接)映射到隐空间。当RBF的中心确定以后,这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的,即网络的输出是隐单元输出的线性加权和。从结构上看,径向基(RBF)神经网络属于多层前向网络。

它是一种3层前向网络,如图2所示。输入层由信号源节点组成;第2层为隐含层,的问题而定,数;第3,。

利用RBF网络结构自适应确定、输出与初始权值无关等特性,采用Matlab7.0的神经网络工具箱为设计、分析工具,将其应用于不利天气下城市道路通行能力的预测。用RBF神经网络预测道路通行能力的具体步骤为:①分析不利天气下影响道路通行能力的各种因素,确定输入变量;②,转换为神经网络训练的样本模式;RBF神经网络的创建,获,。,各变量之间的相关关系经过训练而隐含于网络权值之中。对于一对无关的数据,训练网络不会收敛,以此确定合理的选择所需的变量,达到建模的目的。其具体步骤如下:①将所有认为相关的数据作为网络输入;②完成对RBF神经网络的强制训练;③逐一对各变量做强制为0的检验,从而判断出相关与不相关数据。通过以上方法将不相关或相关性不强的数据去掉后,重新训练模型,使模型更为精简和准确[4]。

图2　RBF网络结构示意图

2.2.2　输入变量的归一化

图2表示了一个多输入单输出且具有m个隐层神经元的RBF网络模型的结构图,输入层有n个神经元,用X=(x1,x2,…,xn)′表示;隐层有m个神经元,5=(<1,<2,…<n)为“基函数”,它是隐单元的激励输出,隐层与输出层连接权系数用Ξ=(Ξ1,Ξ2,…,Ξn)′表示;输出层有1个神经元。因为输入层节点只是传递输入信号到隐层,所以取输入层节点与隐层节点之间的权系数为1,则隐层节点的输出为:<i=<(‖X-Ci‖ i)(i=1,2,…,

m)。式中:<为激励函数,即径向基函数;X为输

神经网络可以处理不同来源的数据,然而它只能处理有一定格式的数据,而且数据的格式会

影响网络的学习效果,因此在进行网络训练之前需对输入变量进行必要的处理。所谓归一化,就是将具有不同尺度、属于不同区间的样本矢量的各个分量化到相同的区间,从而使样本的各个分量具有相同的尺度,在此采用最大值、最小值处理方法,转换关系如下:

设X=(x1,x2,…,xn)′,对于X的任意一维xi都存在一个域Oi,则存在xmax∈Oi是O

i上的最大值,xmin∈Oi是Oi上的最小值,因此可对X的每一维xi进行归一化为

xi=k

′

入样本;Ci为第i个隐层节点的基函数中心参数向量; i为第i个隐层节点的基函数宽度参数;‖X-Ci‖为欧几里德范数。

xmax+a

-xmin

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

式中:x′i为归一化后的数据;xmin为每一个样本模式下输入值或目标值的最小值;xmax为每一个样本模式下输入值或目标值的最大值;k为归一化尺度;a为调整系数。通过上式可以使得归一化后任意一维x′。i的值都在0到1之间2.2.3　RBF网络的创建、训练和测试

Matlab工具箱为RBF网络提供了专用的训练和仿真工具。本文采用newrb()设计和训练RBF网络,采用sim()进行预测仿真。

RBF网络的输入层神经元个数取决于暴雨

实际中存在的随机性和非线性的多变量影响问

题。通过对实测数据进行仿真预测的结果表明,该方法具有计算模型简单、收敛速度快、结果稳定、精度较高等特点,说明采用RBF神经网络的方法进行通行能力计算是有意义的。

表1　不利天气下通行能力影响因素表

序车道侧向净降雨气温

风力

号数空 强度 ℃m

12345678910111217181920212223

22226662424644444264246

0.10　3.40.100.100.100.750.500.750.250.100.100.250.300.50..0.750.750.250.500.100.250.250.75

5.012.310.03.53.412.37.03.47.03.4..7.03.45.03.45.05.05.07.07.0

34533354544444344444

1317222213172217172222171713171713131313

能见

度 m

8065303080803065806080303030507550806560705050

通行能力

(pcu h-1)

16801600155015003976379534051640289018002915364123162519278928772674173039832810155027913761

天气下通行能力影响因子的个数,由于输出就是道路通行能力的值,所以输出层神经元个数为1。利用函数newrb()创建一个精确的神经网络,该函数在创建RBF网络时,自动选择隐含层的数目,使得精度达到误差要求。语法格式为:net=

式中:P为训练集newrb(P,T,err—goal,spread)。

的输入向量;T为训练集的输出向量;err—goal为

目标误差,默认值为0.1;spread为基函数的宽度,spread越大,函数越平滑。在学习过程中,newrb()可自动适应增加RBF,因此得到的网络net。接下来对网络进行仿真,。语法格式为:SY=sim(net,P—test)。式中:P—test为网络的测试样本,SY为仿真结果。

表2　径向基网络测试数据结果表

(-1)(-1)相对误差 %实际值 28102794　0.5627912823-1.1615501572-1.4237613773-0.31

3　实证分析

选用23组哈尔滨暴雨天气下城市道路数据

作为样本,其中前19组数据作为网络的训练样本,后4组样本作为网络的测试样本。根据对暴雨天气下通行能力影响因素的分析,选取车道数、侧向净空、强度、降雨量、风力、气温和能见度作为影响因子,即输入变量,如表1所示。隐含层12个节点,经过反复的调试,当分布常数Spread设定为1.4时,预测性能的误差最小,得到了较好的训练效果,表2给出了真实值与预测值的对比。

参考文献

[1]　徐吉谦.交通工程总论.北京:人民交通出版社,

1995

[2]　周　伟,王秉纲.路段通行能力的理论探讨.交通

运输工程学报,2001,1(2):92298

[3]　高　隽.人工神经网络原理及仿真实例.北京:机械

4　结束语

针对不利天气下城市道路通行能力问题,提出了基于RBF神经网络的预测分析方法,解决了

工业出版社,2003

[4]　叶　剑.基于聚类分析的港口集装箱吞吐量预测方

法的研究.大连:大连理工大学,2005

(下转第27页)

RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构

参考文献

[1]　何　磊.快速公共交通引导城市走健康之路.城市

[4]　邓汉英,郭　超.红浅谈快速公交汽车运营系统的

评价分析.城市道桥与防洪,2005(5):18221

[5]　KarenElizabethRendek.BusRapidTransit:The

B2lineservice,vancouve.Canada.

[6]　王其藩.系统动力学.北京:清华大学出版社,1994[7]　上海市城市规划管理局.上海市第三次综合交通调

atransitinnovationforgreatTheUniversityofcagary,

2002,

规划,2002(3):83286

[2]　上海交通大学交通运输研究所.上海市交通供需变

化与城市协调发展研究.上海:上海交通大学,2005

[3]　陈明明,牛惠民.快速公交系统及评价问题的研究.

兰州交通大学学报:自然科学版,2006,25(4):1132

117

查总报告.上海:上海市城市规划管理局,2005

SimulationandEvaluationofBRTApplicationinMetropolis

LIUBingen　JUANZhicai　JIAHongfei

(JilinUniversity,Changchun130025,China)1

(ShanghaiJiaotongUniversity,Shanghai200052,China)2

Abstract:BRTisanimportantmeasuretosolvethetandplementsustainable

.Basedontheoriesofsystemdynamicsonbetweenlanduseanddevelopmentinbigcities

trafficsystemwasestablished.ThemodelwasactualtravelflowwithitsfittingdataofShanghaiCity.BoththeresultoftheofsofShanghaiCityinthefutureunderrecenttendency,withoutanywaysbeingltwithBRTbeingcarriedout,wereforecastedbyusingthe.TheTonassiestablishedmodelmulatedandevaluatedbycomparingthevariationsoftheservicelevelofroadtattractionratiosofBRTtotravelflow.

1

2

1

Keywordssimulationandevaluation;landuse;trafficsystem;systemdynamics

(上接第23页)

RoadCapacityCalculationunderAdverseWeather

BasedonRBFNeuralNetwork

112

ZHANGXiqiao　SHENGHongfei　YAOYanxue

(HarbinInstituteofTechnology,Harbin150090,China)1

(HarbinNormalUniversity,Harbin150500,China)2

Abstract:Variousinfluencingfactorsofurbanroadcapacityunderadverseweatherarestochasticandnonlinear.

Therefore,itisunsuitabletoadoptnormalamendmentmethodtocalculatetheroadcapacity.BasedontheRBFNeuralNetwork,whichcananalyzethestochasticandnonlinearcharacteristics,thecomponentsofroadnetworkwerere2dividedandtheinfluencingfactorswerere2selected.Then,theRBFNeuralNetworkmodelwasbuiltforcalculationofroadcapacity.AnexamplewasprovidedbasedontheactualsituationofHarbinCityunderrainstorm.Themaximumerrorbetweenthecalculationresultsandtheobservationdatawas-1.16%.Thus,thefeasibilityandvalidityofthemodelwerevalidated.

Keywords:adverseweather;roadcapacity;RBFneuralnetwork

本文来源：https://www.bwwdw.com/article/qhd1.html