閆慧麗，金蘭，黃丹青，丁齊，黃小勇

（中國市政工程華北設(shè)計研究總院有限公司，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行狀況，從時間因素、交通動態(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，研究各個輸入變量對輸出變量的影響程度，并對各個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)展的重點方向。雖然建設(shè)隧道能有效縮短車輛行駛里程，節(jié)省運行時間，減少對自然環(huán)境的破壞，具有明顯的社會效益和經(jīng)濟效益。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，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，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，從時間因素、交通動態(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)的一般計算能力，而且還具有處理知識的思維、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，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個輸入，每個輸入都通過一個適當(dāng)?shù)臋?quán)值Wi（i=1，2，…，n）連接到神經(jīng)元節(jié)點上。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)點刺激脈沖強度的函數(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）誤差計算模型

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

opi——i節(jié)點計算輸出值

（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)點和上層節(jié)點之間的權(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i的計算誤差；

oj——輸出節(jié)點j的計算輸出；

a——動量因子。

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)實際輸出與期望輸出不符時，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，被譽為“入川第一路”。西漢高速公路全線設(shè)計車速為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行。

在建立高速公路隧道群速度模型時，首先得考慮影響隧道群速度的因素，雖然駕駛?cè)耸菍囕v運行方向和速度進(jìn)行控制與操作的主體，但是人的主動能動性占很大比重，因此本研究暫不考慮駕駛?cè)说挠绊懀饕沁x取了與高速公路隧道群速度相關(guān)性較大的因素，如時間因素、交通動態(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，以保證高速公路隧道群安全暢通運行。

（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，分別為觀測時間、交通動態(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，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，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，其余的作為檢驗樣本，以此來檢驗?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)元個數(shù)為5～10個，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，其誤差最小，因此選取隱層神經(jīng)元個數(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組檢驗樣本進(jìn)行驗證，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)有一定擾動時，網(wǎng)絡(luò)輸出擾動的變化［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)運算可以得到各個輸入變量相對輸出變量的靈敏度。為了提高運算精度，取每個輸入變量的靈敏度分析平均值，得出各個輸入變量的靈敏度分析結(jié)果見表3。

表3　各個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行狀況，從時間因素、交通動態(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輸入變量的變化對輸出變量的影響程度，并沒有考慮多個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，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，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］.計算機學(xué)報，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)計工作。