趙忠杰，師 虹

（長安大學 電子與控制工程學院，西安 710064）

隨著我國隧道數(shù)量的增多，隧道通風與照明的用電量越來越大，使得投資運營費用也越來越高，所以隧道節(jié)能迫在眉睫。而且交通量是通風控制的決定性因素，由于實時通風控制具有一定的時滯性，交通量的預測就顯得尤為重要。有很多學者對隧道通風控制和照明控制提出了很多節(jié)能方法，以此來減少隧道的污染和能耗，但是這些控制方法都是建立在交通量預測的前提下提出的[1]。

由于交通流顯著的特點就是具有高度非線性和不確定性，所以本文選取ANFIS（自適應神經模糊推理系統(tǒng)）模型來克服一般的預測方法過程復雜、成本高、非線性適用度的問題，它把神經網絡的自組織、自學習和自適應能力強的特點和模糊推理系統(tǒng)的經驗性、主觀思想以及它的方便性很好的結合起來，既很好的發(fā)揮了自己的優(yōu)勢，同時又彌補了各自的不足，而且這種預測模型僅僅是通過對大量歷史數(shù)據的學習就可以確定最佳隸屬度函數(shù)以及對模糊規(guī)則，不像經驗法那樣片面，與傳統(tǒng)的模糊控制器設計很有優(yōu)勢，通過不斷的訓練與自適應能力解決上述問題，可以很好的于隧道交通量的預測[2]。

因此本文在采用ANFIS模型預測交通量的同時，利用Matlab自適應模糊神經工具箱通過對算法和參數(shù)進行調整進行仿真，對西漢高速的秦嶺1號隧道的上行線交通量進行預測研究，并與小波神經網絡預測方法進行對比分析，驗證預測精度。

1 ANFIS推理系統(tǒng)

1.1 基于Takagi-Sugeno模型ANFIS推理系統(tǒng)

基于Takagi-Sugeno模型的神經模糊系統(tǒng)是一種自適應能力很強的非線性模糊推理模型，主要作用是在神經網絡的基礎上，進行結構調整和參數(shù)調整的系統(tǒng)優(yōu)化，它是一個多輸入單輸出系統(tǒng)[3]。在Matlab工具箱中，提供了一個函數(shù)genfis1（），可以用來為ANFIS模型產生T-S型的模糊推理系統(tǒng)中隸屬度函數(shù)的初值，它是利用網格分割的方式，根據初始給定的數(shù)據集產生模糊推理系統(tǒng)，一般情況下，經常與函數(shù)ANFIS（）配合使用，對于函數(shù)genfis1（）生成的模糊推理模型，其輸入數(shù)據、隸屬度函數(shù)的類型、數(shù)目均可以在使用時根據實際情況自行設定，也可以采用系統(tǒng)的默認值[4]。其調用格式為

或者

其中，data為給定輸入或者輸出數(shù)據的集合，最后一列為輸出，其余列為輸入數(shù)據；numMFs代表每個輸入語言變量的隸屬度函數(shù)個數(shù)；inMFType為輸入隸屬度函數(shù)的類型；outMFType為指定輸出的隸屬度函數(shù)類型。

ANFIS預測模型采用的學習算法為hybrid，即為最小二乘法和反向傳播算法相結合的混合算法，這種算法實際上是調整前提參數(shù)和結論參數(shù)，然后自動產生if-then規(guī)則[5]。在生成FIS結構的方式后，對誤差容限和訓練步長等參數(shù)進行設定，之后對生成的模型結構進行測試檢驗，若精度滿足要求，則模型建立成功。

1.2 小波神經網絡建模

小波神經網絡是建立神經網絡結構基礎上，把隱含層節(jié)點傳遞函數(shù)用小波基函數(shù)代替的一種預測模型，其原理是在信號向前傳播的同時，誤差則反向傳播；該模型一般采用梯度修正法修正網絡的權值和小波基函數(shù)[6]。基于小波神經網絡預測模型的建立簡要流程如圖1所示。

圖1 小波神經網絡預測流程Fig.1 Wavelet neural network prediction flow chart

作為比較模型，本案例采用的數(shù)據仍為秦嶺1號隧道上行線2017年的交通量歷史數(shù)據，輸入層有3個節(jié)點，表示預測時間節(jié)點前3個時間點的交通量，隱含層設為3個節(jié)點，輸出層為1節(jié)點。

1.3 交通量預測性能指標

為了更好地衡量交通量預測模型的好處，在這里采用均方根誤差RMSE和平均絕對百分比誤差MAPE對ANFIS系統(tǒng)和小波神經網絡進行預測性能評價。在這里假設與數(shù)據序列為y0，預測結果為y1，則誤差表達式為

（1）均方根誤差（RMSE）

（2）平均絕對百分比誤差（MAPE）

2 隧道交通量預測仿真實例

2.1 數(shù)據預處理

本文的研究對象為西漢高速的秦嶺1號隧道上行線的實際運行交通量數(shù)據，隧道左線長6144 m，右線6102 m，為兩車道雙洞單向交通，設計車速為80 km/h；目前已有的通風方式為全射流縱向通風方式。本次研究收集獲得了2017年秦嶺1號隧道上行線的交通量數(shù)據，因為西漢高速所處位置優(yōu)勢，以及包茂高速部分對大貨車的限制，從而轉向西漢高速，致使西漢高速的交通量普遍較大，現(xiàn)對其進行交通量的變化分析。

因為本次對隧道交通量預測研究的意義主要是對通風進行節(jié)能提供一定的實現(xiàn)依據，而且風機短時間頻繁進行啟停對風機損害較大而且對電網波動有很大影響，所以本次數(shù)據的采樣周期為60 min，以后續(xù)1 h的預測交通量為主要參考依據實現(xiàn)風機啟停數(shù)目的控制，做到超前控制，從而對通風節(jié)能起到輔助作用。共取得2017年全年的秦嶺1號隧道交通量數(shù)據，以下是對該隧道近一年的小時、日交通量的趨勢變化圖的分析。

2.1.1 小時交通量變化分析

從圖2中可以看出，一天當中的高峰期集中在8：00～14：22，最大交通量可達 1213 輛/小時，小時平均交通量為599輛/小時。

圖2 4月3日小時交通量變化趨勢Fig.2 Hour traffic volume trend on April 3

2.1.2 日交通量變化分析

圖3是以2017年12月的日交通量數(shù)據為例，可以看出日交通量很大，最高可達到8767輛/d，就算是14號和25號有所下降，最低也要達到6935輛/d，日平均交通量達到7816輛/d以上，相比于其他公路隧道，交通量已經很大，并且以后可能有上升的趨勢，這也就意味著隧道中機電安全設施的配置運營會有相比于一般隧道而言更大的開支，所以對秦嶺1號隧道的交通量研究很有必要。

綜上，從圖2、圖3可以看出，在交通流曲線大致呈現(xiàn)24 h的變化規(guī)律的基礎上，有些數(shù)據起伏比較大，這是因為交通量在節(jié)假日會出現(xiàn)明顯的增加，炎夏季節(jié)又有明顯的減少，所以需要對樣本數(shù)據的選取就是盡量避開節(jié)假日等存在交通量數(shù)據突變的情況，選取穩(wěn)定的數(shù)據段，使其具有一般性（特殊情況例如節(jié)假日或者突發(fā)狀況的預測之后再另作研究），并對該對數(shù)據進行整理做成樣本數(shù)據，進行訓練。

圖3 日交通量變化趨勢Fig.3 Daily traffic volume change trend

2.2 基于ANFIS隧道交通量預測模型的建立

2.2.1 ANFIS隸屬度函數(shù)類型個數(shù)的選取及訓練次數(shù)的確定

本次預測模型為3輸入1輸出，由于隸屬度的類型和個數(shù)對預測模型的性能起著重要的作用，目前對隸屬度的類型和個數(shù)沒有行之有效的方法，所以在這里采取經驗試探法進行最佳隸屬度的選擇[7]。在這里我們分別采用鐘形、三角形、和高斯型函數(shù)形隸屬度函數(shù)對其進行訓練，得出高斯函數(shù)接近元數(shù)據的效果最好，故確定隸屬度函數(shù)類型為高斯函數(shù)，訓練后的隸屬度函數(shù)如圖4所示；進過反復調試與比較，預測效果最好的隸屬度個數(shù)為3，采用hybrid學習算法，生成的ANFIS網絡圖如圖5所示。

圖4 訓練后的隸屬度函數(shù)Fig.4 After training membership function

圖5 ANFIS網絡結構圖Fig.5 Network structure diagram of ANFIS

2.2.2 ANFIS訓練次數(shù)的確定

在選定隸屬度函數(shù)之后，對選取的連續(xù)400組的連續(xù)小時交通量訓練數(shù)據（2017年1月歷史數(shù)據）進行訓練，產生的ANFIS預測曲線與訓練數(shù)據的輸出曲線如圖6所示，可以看出，系統(tǒng)預測輸出曲線與訓練數(shù)據曲線得到較好的吻合。

圖6 訓練數(shù)據與ANFIS系統(tǒng)輸出曲線Fig.6 Training data and ANFIS system output curve

同時對初始訓練次數(shù)定位200次，得到的誤差變化曲線如圖7所示，從圖中可以看出，系統(tǒng)誤差隨著訓練次數(shù)的增加逐漸減小，當訓練次數(shù)達到120次左右時，誤差基本趨于穩(wěn)定，不再有明顯的變化，所以訓練次數(shù)定位120次。

圖7 訓練誤差變化趨勢圖Fig.7 Training error trend chart

3 預測模型結果及分析

在確定了建立模型的一系列相關參數(shù)后，系統(tǒng)輸出曲線可以很好的符合原數(shù)據曲線，訓練數(shù)據得到預測模型的部分測試結果如表1所示，平均預測誤差為3.369%，基本可以滿足設計要求，然后將檢驗數(shù)據輸入到已訓練好的預測模型ANFIS中進行檢驗預測，得到預測結果以及相對誤差百分比如圖8、圖9所示。

表1 訓練數(shù)據測試數(shù)據表Tab.1 Test data sheet of training data

圖8 ANFIS檢驗數(shù)據及預測結果的輸出Fig.8 Output of ANFIS test data and predicted results

圖9 ANFIS預測系統(tǒng)誤差百分比Fig.9 Error percentage of ANFIS predicts system

從圖8的預測輸出曲線和圖9誤差分布曲線中可以看出，對于檢驗數(shù)據而言，訓練數(shù)據訓練生成的ANFIS預測模型可以很好的逼近原數(shù)據，相對誤差百分比為3.56%，對于實際應用來說，完全可以達到設計精度要求。

同時我們對小波神經網絡也進行了相同數(shù)據和設置參數(shù)下的預測模型仿真，其預測輸出如圖10所示，其誤差比如圖11所示。

圖10 檢驗數(shù)據與小波神經預測網絡輸出Fig.10 Output of test data and wavelet neural prediction network

圖11 小波神經網絡預測誤差百分比Fig.11 Error percentage of wavelet neural network prediction

從圖10和圖11中可以看出，雖然小波神經預測網絡也可以實現(xiàn)一定程度的精度預測，但是與ANFIS系統(tǒng)相比，還是有一定的差距，其平均誤差百分比為9.562%。

現(xiàn)對2種預測模型的預測性能參數(shù)進行預測性能MAPE和RMSE比較分析[8]，見表2。從表中我們可以看出，不管是與原數(shù)據的逼近程度還是誤差變化，ANFIS預測模型都要優(yōu)于小波神經網絡預測模型，預測精度更高，可以用于實際隧道交通量的小時預測，以對隧道通風節(jié)能提供輔助作用。

表2 ANFIS與小波神經網絡預測模型性能分析對比表Tab.2 Comparison of performance analysis between ANFIS and wavelet neural network prediction model

4 結語

ANFIS（自適應神經模糊推理系統(tǒng)）集神經網絡和模糊推理系統(tǒng)兩者的優(yōu)點集于一身，在以往歷史數(shù)據的前提下，很好的實現(xiàn)了ANFIS的預測功能，通過對隧道交通量超前的預測，可以為隧道通風照明節(jié)能提供實現(xiàn)依據[9]。在預測系統(tǒng)建立過程中也存在一些缺陷，例如在本次預測模型只針對一般性的小時交通量進行預測，對于節(jié)假日或特殊情況的交通量預測不適用，日后將有待以后進一步的研究，對預測系統(tǒng)進行完善。