楊文忠 梁凡 李東昊 楊蒙蒙 富雅玲

摘? 要： 為了減少交通事故，以車聯(lián)網(wǎng)環(huán)境下智能車輛的換道時(shí)間為研究對(duì)象，提出一種新的提高換道安全性的方法，在換道前對(duì)車輛的換道時(shí)間進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)的換道時(shí)間判斷能否安全換道。使用博洛尼亞數(shù)據(jù)集做測(cè)試，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，最終得到基于車輛在換道前一時(shí)刻沿當(dāng)前車道的行駛速度（豎直速度），換道前一時(shí)刻車輛沿目標(biāo)車道運(yùn)行的速度（水平速度）和車輛換道時(shí)間的BP神經(jīng)網(wǎng)絡(luò)模型，最后使用驗(yàn)證集對(duì)建立的模型進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時(shí)間預(yù)測(cè)的準(zhǔn)確率良好。在實(shí)際生活場(chǎng)景中，只需在車輛上安裝車速傳感器就可以將建立的模型應(yīng)用到實(shí)際中，因此該模型具有較高的現(xiàn)實(shí)意義。

關(guān)鍵詞： 物聯(lián)網(wǎng); 車聯(lián)網(wǎng); 交通安全; 換道安全; BP神經(jīng)網(wǎng)絡(luò); 換道時(shí)間

中圖分類號(hào)： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）21?0085?04

Lane change duration prediction based on BP neural network

YANG Wenzhong， LIANG Fan， LI Donghao， YANG Mengmeng， FU Yaling

（College of Information Science and Engineering， Xinjiang University， Urumqi 830046， China）

Abstract： A new method is proposed to improve the lane change safety by taking lane change duration of intelligent vehicles in the context of the Internet of Vehicles as the research object to reduce traffic accidents. In this method， the lane change duration of vehicles is forecasted before lane change， and whether it is safe to change lanes or not is judged according to the predicted lane change duration. Bologna data set is used as a test， and the training data set is learned by BP neural network to obtain a BP neural network model based on the vehicle speed （vertical speed） traveling along the current lane before lane change， the vehicle speed （horizontal speed） traveling along the target lane before lane change and the duration of vehicle changing lanes. Finally， validation sets are used to verify the established model. The results show that the prediction accuracy of vehicle lane change duration based on BP neural network is high. In the real life， the established model can be applied to practice simply by installing a speed sensor on the vehicle， so the model has a high practical significance.

Keywords： Internet of Things; Internet of Vehicles; traffic safety; safety of lane change; BP neural network; lane change duration

0? 引? 言

汽車在行駛過(guò)程中，出于各種各樣的原因，會(huì)發(fā)生換道行為。如果換道時(shí)機(jī)不對(duì)，很可能會(huì)引發(fā)交通事故，加劇交通堵塞，影響人們出行。因此，如果在換道前對(duì)換道時(shí)間進(jìn)行預(yù)測(cè)，那么預(yù)測(cè)結(jié)果就可輔助駕駛員判斷是否進(jìn)行換道，提高換道安全性，從而有效避免交通事故的產(chǎn)生，預(yù)防道路堵塞。

為了提高車輛換道安全性，國(guó)內(nèi)外學(xué)者研究開發(fā)了許多基于機(jī)器學(xué)習(xí)的換道輔助系統(tǒng)來(lái)輔助駕駛員決定是否進(jìn)行換道。如文獻(xiàn)[1]通過(guò)駕駛模擬器的實(shí)驗(yàn)來(lái)采集交通流數(shù)據(jù)，所收集的速度、距離、車道指示和限速等交通流數(shù)據(jù)作為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的輸入變量，來(lái)預(yù)測(cè)車輛的換道意圖;文獻(xiàn)[2?3]給定與車輛換道有關(guān)的相關(guān)特征作為輸入，車輛的變道意圖作為輸出，采用分類器邏輯回歸[2]和SVM[3]訓(xùn)練車輛換道意圖識(shí)別模型以獲得最佳預(yù)測(cè)結(jié)果;文獻(xiàn)[4]使用貝葉斯分類器和決策樹對(duì)強(qiáng)制變道進(jìn)行建模，開發(fā)出一種變道輔助系統(tǒng)，該系統(tǒng)為駕駛員在停車時(shí)強(qiáng)制改道提供安全間隙的建議。

在車輛換道特征方面：文獻(xiàn)[5?6]提出了基于車輛速度的智能交通輔助系統(tǒng)，用于在動(dòng)態(tài)機(jī)動(dòng)模型中幫助司機(jī)安全有效的進(jìn)行變道。文獻(xiàn)[7]通過(guò)從駕駛員開始改變車道的距離間隙不確定性的分類入手，研究了距離間隙對(duì)換車道時(shí)駕駛員不確定性的影響，從而開發(fā)出可靠的駕駛員輔助系統(tǒng)。文獻(xiàn)[8]通過(guò)確定不同級(jí)別預(yù)警規(guī)則的即將碰撞時(shí)間（TTC）閾值，研究出合理的換道預(yù)警參數(shù)來(lái)提高換道的安全性。文獻(xiàn)[9?10]通過(guò)融合駕駛情況、駕駛員行為、車輛運(yùn)動(dòng)等特征，使用神經(jīng)網(wǎng)絡(luò)對(duì)車輛換道意圖進(jìn)行識(shí)別來(lái)提高車輛的換道安全性。文獻(xiàn)[11]通過(guò)計(jì)算主車輛與周圍車輛之間的最小安全距離來(lái)分析車道變換的風(fēng)險(xiǎn)來(lái)提高換道安全性。文獻(xiàn)[12?13]采用緊急制動(dòng)和車道變換來(lái)改善復(fù)雜交通下的駕駛?cè)蝿?wù)，將縱向控制策略用于緊急制動(dòng)，而橫向控制策略用于換道，形成可避免交通沖突的換道軌跡，以此提高換道安全性。

但是很少考慮到換道時(shí)間對(duì)換道安全性的影響。從理論上講，在實(shí)際的換道過(guò)程中，換道時(shí)間過(guò)快會(huì)使其他障礙車輛來(lái)不及反應(yīng)，容易發(fā)生事故;換道時(shí)間過(guò)慢又會(huì)導(dǎo)致長(zhǎng)時(shí)間占用兩個(gè)車道，使發(fā)生事故的概率變高。因此本文提出建立一種基于BP神經(jīng)網(wǎng)絡(luò)的模型對(duì)車輛的安全換道時(shí)間進(jìn)行預(yù)測(cè)，通過(guò)對(duì)換道時(shí)間的預(yù)測(cè)使駕駛員在換道前根據(jù)預(yù)測(cè)的換道時(shí)間判斷能否安全換道，最終決定要不要換道，以此來(lái)提高車輛的換道安全性。以往的換道研究大都是假設(shè)換道的水平距離為一個(gè)車道的情況下實(shí)現(xiàn)，本文研究包含了所有可能換道長(zhǎng)度的距離，可以很好地反映真實(shí)的車輛換道情況。

1? 數(shù)據(jù)介紹

本文用于構(gòu)建安全車輛換道模型的車輛數(shù)據(jù)軌跡點(diǎn)來(lái)自于博洛尼亞道路數(shù)據(jù)集的80萬(wàn)車輛軌跡點(diǎn)[14?15]。博洛尼亞道路數(shù)據(jù)集中記錄了博洛尼亞城市某一天早上2 h的車輛行駛數(shù)據(jù)。數(shù)據(jù)集包含16 112輛車在博洛尼亞道路上某一時(shí)刻的水平方向坐標(biāo)值和豎直方向坐標(biāo)值，還記錄了每一個(gè)軌跡點(diǎn)的產(chǎn)生時(shí)刻和瞬時(shí)行駛速度等。在16 112輛車一共799 112萬(wàn)個(gè)數(shù)據(jù)點(diǎn)中甄選出軌跡數(shù)據(jù)點(diǎn)信息最多的1 000輛車，將這些軌跡點(diǎn)按照車輛ID分為1 000組，每組代表一輛車的軌跡，使用Python畫圖軟件畫出每一輛車的行駛軌跡，最終統(tǒng)計(jì)出893次換道行為，并記錄車輛的換道信息。

2? 換道過(guò)程特性分析

2.1? 換道行為的產(chǎn)生

意識(shí)決定行為，換道行為的產(chǎn)生會(huì)受到換道意圖的影響。有時(shí)，在不違反交通規(guī)則的情況下，駕駛員為了保持正確的路線行駛，為了在期望的速度下行駛，或者為了行駛到更平坦廣闊的路面，會(huì)在行駛過(guò)程中產(chǎn)生換道意圖。根據(jù)駕駛員的換道意圖，通常將換道行為分為強(qiáng)制性變換車道和選擇性變換車道。選擇性變換車道指的是在行駛過(guò)程中，高速行駛的車輛為了超越前方的慢速車輛，駕駛員根據(jù)自身的行車習(xí)慣或者為了避免車輛駛?cè)攵氯缆愤M(jìn)行的換道行為。強(qiáng)制性變換車道是指在行駛過(guò)程中由于道路受阻、路口轉(zhuǎn)彎、匝道的分流、合流等因素，駕駛員不得不采取的換道行為。

2.2? 換道方向位移分析

公共道路單車道寬度的標(biāo)準(zhǔn)是3.5 m，本文采用智能車輛模型的寬度為1.6 m，如果車輛的換道行為是從如圖1所示的A位置開始換道，車輛移動(dòng)到B位置結(jié)束換道，那么該車輛沿?fù)Q道方向的位移為1.6 m;如果車輛的換道行為是從如圖2所示的C位置開始換道，車輛移動(dòng)到D位置結(jié)束換道，那么該車輛沿?fù)Q道方向的位移為3.5 m;如果車輛的換道行為是從如圖3所示的E位置開始換道，車輛移動(dòng)到F位置結(jié)束換道，那么該車輛沿?fù)Q道方向的位移為5.4 m。因此，車輛完成一次換道行為所移動(dòng)的最小水平距離為1.6 m，如圖1所示，最大距離為5.4 m，如圖3所示。

3? 車輛換道時(shí)間預(yù)測(cè)模型

3.1? 變量選取及數(shù)據(jù)處理

車輛在變換車道時(shí)，影響車輛換道時(shí)間的因素有很多，但是本文建立的模型是在理想情況下，即不考慮公共道路的平坦?fàn)顩r和交通擁堵狀況等因素，只考慮車輛換道前沿當(dāng)前車道的行駛速度（豎直速度）和換道前一時(shí)刻車輛沿目標(biāo)車道運(yùn)行速度（水平速度）對(duì)車輛換道時(shí)間的影響。因此，此次實(shí)驗(yàn)選取輸入變量為車輛在換道前一時(shí)刻的豎直速度和水平速度，輸出變量為車輛的換道時(shí)間，以此構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時(shí)間預(yù)測(cè)模型。模型的輸入、輸出變量定義如下：New_id為新車輛編號(hào);[H]為車輛在換道前一時(shí)刻的豎直速度;[V]為車輛在換道前一時(shí)刻水平速度;C_time為換道時(shí)間。

將數(shù)據(jù)集隨機(jī)劃分，選其中80%作為訓(xùn)練數(shù)據(jù)集，剩余的20%作為驗(yàn)證數(shù)據(jù)集。

3.2? BP網(wǎng)絡(luò)學(xué)習(xí)方式

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程實(shí)際上是用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程。網(wǎng)絡(luò)的訓(xùn)練可以有兩種方式，一種是順序方式，另一種是批處理方式。所謂順序方式，是指每輸入一個(gè)訓(xùn)練樣本，就根據(jù)該樣本所產(chǎn)生的誤差對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行修改。所謂批處理方式，是指將樣本集中的所有訓(xùn)練樣本都一次性地全部輸入網(wǎng)絡(luò)后，再針對(duì)總的平均誤差[E]修改網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值和閾值。由于順序方式所需的臨時(shí)存儲(chǔ)空間較小，且可在一定程度上避免局部極小值現(xiàn)象。因此本次模型的構(gòu)建采用順序?qū)W習(xí)方式。

3.3? 模型的建立

包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)可以逼近任何一個(gè)閉區(qū)間內(nèi)的連續(xù)函數(shù)，完成任意大小的[n]維到[L]維的映射，因此本文建立了一個(gè)3層的BP神經(jīng)網(wǎng)絡(luò)，即該BP神經(jīng)網(wǎng)絡(luò)模型包含1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層。本文將車輛在換道前一時(shí)刻的豎直速度和換道前一時(shí)刻水平速度作為輸入向量輸入，再加上輸入層閾值，該模型的輸入向量有3個(gè)，將車輛換道過(guò)程中所用的時(shí)間作為輸出層的輸出向量，因此輸出層節(jié)點(diǎn)數(shù)為1，輸出向量只有1個(gè)。

采用文獻(xiàn)[16]研究出的最佳隱含層節(jié)點(diǎn)數(shù)的確定方法得出采用具有4個(gè)節(jié)點(diǎn)（包含隱含層閾值）的單隱含層（其中節(jié)點(diǎn)0表示隱含層閾值）構(gòu)建模型的效果最好，因此本次模型的隱含層節(jié)點(diǎn)個(gè)數(shù)為4?；贜guyen?Widrow算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行初始化，能夠有效提高BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。所以本文BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值采用Nguyen?Widrow算法進(jìn)行初始化，隱含層和輸出層的閾值初始值都設(shè)為0。網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4所示。

在圖4的BP網(wǎng)絡(luò)[17]中，[i，j]分別表示輸入層、隱含層、輸出層的某個(gè)節(jié)點(diǎn)，[n，m]分別表示輸入層、隱含層的節(jié)點(diǎn)數(shù)。

對(duì)輸入層節(jié)點(diǎn)[i]有：

[xi，? ? i=0，1，2] （1）

對(duì)隱含層節(jié)點(diǎn)[j]有：

[hj=i=1nwijxi，? ? j=0，1，2，3] （2）

對(duì)輸出層節(jié)點(diǎn)有：

[y=j=0mvjhj=j=0mi=0nvjwijxi] （3）

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程實(shí)際上就是對(duì)網(wǎng)絡(luò)聯(lián)結(jié)權(quán)值和閾值的調(diào)整過(guò)程，利用給定的傳播公式，沿著誤差減小的方向不斷調(diào)整網(wǎng)絡(luò)聯(lián)結(jié)權(quán)重和閾值。在BP學(xué)習(xí)算法中，對(duì)樣本集中的第[r]個(gè)樣本，其輸出層節(jié)點(diǎn)的期望輸出用[dr]表示，實(shí)際輸出用[yr]表示。其中，[dr]是已知的車輛換道時(shí)間，[yr]則由式（3）計(jì)算得出。如果只是針對(duì)一個(gè)樣本，實(shí)際輸出與期望輸出的誤差定義為：

[Er=12（dr-yr）2] （4）

學(xué)習(xí)過(guò)程中，其聯(lián)結(jié)權(quán)值的調(diào)整變量為對(duì)[vj]的調(diào)整：

[Δvrj=η?Er?vj=-η（dr-yr）?hj] （5）

對(duì)[wij]的調(diào)整：

[Δwrij=η?Er?vj??vj?wij=-η（dr-yr）?vj?xi] （6）

聯(lián)結(jié)權(quán)值的調(diào)整公式為：

[v（r+1）j=vrj+Δvrj] （7）

[w（r+1）ij=wrij+Δwrij] （8）

式中：[vrj]和[v（r+1）j]分別是第[r]次和第[r+1]次迭代時(shí)，從隱含層節(jié)點(diǎn)[j]到輸出節(jié)點(diǎn)的聯(lián)結(jié)權(quán)值;[Δvrj]是聯(lián)結(jié)權(quán)值的變化量。[wrij]和[w（r+1）ij]分別是第[r]次和第[r+1]次迭代時(shí)，從輸入層節(jié)點(diǎn)[i]到隱含層節(jié)點(diǎn)[j]的聯(lián)結(jié)權(quán)值，[Δwrij]是聯(lián)結(jié)權(quán)值的變化量。[η]為一個(gè)增益因子，取[0，1]區(qū)間的一個(gè)正數(shù)，這里取[η=0.001]。本次學(xué)習(xí)的訓(xùn)練過(guò)程就是重復(fù)上述的調(diào)整過(guò)程，迭代多次。

4? 模型的實(shí)現(xiàn)及驗(yàn)證

基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時(shí)間預(yù)測(cè)模型在PyTorch的深度學(xué)習(xí)框架訓(xùn)練完成，為了尋找最好的收斂效果，設(shè)置了不同的隱含層節(jié)點(diǎn)數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后將驗(yàn)證集數(shù)據(jù)代入訓(xùn)練模型對(duì)車輛換道時(shí)間的準(zhǔn)確率進(jìn)行驗(yàn)證，記錄不同隱含層節(jié)點(diǎn)數(shù)訓(xùn)練出來(lái)的模型進(jìn)行預(yù)測(cè)的準(zhǔn)確率。表1是設(shè)置不同隱含層節(jié)點(diǎn)數(shù)得到的模型預(yù)測(cè)的準(zhǔn)確率。

由表1可得，在誤差范圍為[±0.1]的情況下得到該模型預(yù)測(cè)的最高準(zhǔn)確率為91.62%，證明此次建立的車輛換道時(shí)間預(yù)測(cè)模型具有良好的預(yù)測(cè)能力。表2，表3是當(dāng)隱含層節(jié)點(diǎn)數(shù)為4個(gè)時(shí)，訓(xùn)練網(wǎng)絡(luò)各參數(shù)收斂后的結(jié)果。

為驗(yàn)證本文訓(xùn)練出的模型對(duì)車輛換道時(shí)間的預(yù)測(cè)性能，本文還使用相同的訓(xùn)練集和驗(yàn)證集對(duì)經(jīng)典的回歸機(jī)器學(xué)習(xí)算法K?Nearest Neighbors（KNN），Logistic Regression（LR），Decision Tree Regression（DTR）和Support Vector Regression（SVR）的訓(xùn)練結(jié)果做了對(duì)比，如表4所示。

對(duì)比表4中的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時(shí)間預(yù)測(cè)模型的性能要好于大多數(shù)回歸的機(jī)器學(xué)習(xí)算法，這說(shuō)明在對(duì)車輛的換道時(shí)間做預(yù)測(cè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)算法有較好的效果。

5? 結(jié)? 語(yǔ)

本文提出了一種新的提高換道安全性的方法，通過(guò)對(duì)換道時(shí)間的預(yù)測(cè)使駕駛員在換道前根據(jù)預(yù)測(cè)的換道時(shí)間來(lái)判斷能否安全換道，最終決定是否要換道。從而提高換道安全性。但是本文模型的建立也存在一些缺陷，那就是考慮到的因素不夠全面。今后繼續(xù)進(jìn)行此方向的研究，完善這方面的理論知識(shí)。

該研究模型不僅能在一定程度上提高車輛換道安全性，而且隨著現(xiàn)在社會(huì)發(fā)展水平的提高，人們?cè)絹?lái)越重視時(shí)間，如果能夠?qū)Q道時(shí)間做準(zhǔn)確的預(yù)測(cè)，那么各種地圖軟件就可以提供給用戶更精確的時(shí)間預(yù)測(cè)結(jié)果，提升用戶體驗(yàn)。

注：本文通訊作者為梁凡。

參考文獻(xiàn)

[1] LIU Meiyu， SHI Jing. A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model [J]. Journal of intelligent transportation systems， 2019， 23（4）： 309?318.

[2] OH C， CHOI J， PARK S. In?depth understanding of lane changing interactions for in?vehicle driving assistance systems [J]. International journal of automotive technology， 2017， 18（2）： 357?363.

[3] DOU Yangliu， YAN Fengjun， FENG Dawei. Lane changing prediction at highway lane drops using support vector machine and artificial neural network classifiers [C]// IEEE International Conference on Advanced Intelligent Mechatronics. Banff， AB， Canada： IEEE， 2016： 901?906.

[4] HOU Yi， EDARA P， SUN C. Modeling mandatory lane chan?ging using bayes classifier and decision trees [J]. IEEE transactions on intelligent transportation systems， 2014， 15（2）： 647?655.

[5] JOSHI J， SINGH A， MOITRA L G， et al. DASITS： driver assistance system in intelligent transport system [C]// 2016 30th International Conference on Advanced Information Networking & Applications Workshops. Crans?Montana， Switzerland： IEEE， 2016： 545?550.

[6] YOUNES M B， BOUKERCHE A. A vehicular network based intelligent lane change assistance protocol for highways [C]// IEEE International Conference on Communications. Paris， France： IEEE， 2017： 1?6.

[7] YAN Fei， WEBER L， LUEDTKE A. Classifying driver′s uncertainty about the distance gap at lane changing for developing trustworthy assistance systems [C]// Intelligent Vehicles Symposium. Seoul， South Korea： IEEE， 2015： 1276?1281.

[8] 王暢，付銳，張瓊，等.換道預(yù)警系統(tǒng)中參數(shù)TTC特性研究[J].中國(guó)公路學(xué)報(bào)，2015，28（8）：91?100.

[9] LEONHARDT V， WANIELIK G. Recognition of lane change intentions fusing features of driving situation， driver behavior， and vehicle movement by means of neural networks [M]// ZACH?US C， M?LLER B， MEYER G. Advanced Microsystems for Automotive Applications 2017. Switzerland： Springer， 2018.

[10] ZHANG Yihuan， LIN Qin， WANG Jun， et al. Lane?change intention estimation for car?following control in autonomous driving [J]. IEEE transactions on intelligent vehicles， 2018， 3（3）： 276?286.

[11] DANG Ruina， WANG Jianqiang， LI S E， et al. Coordinated adaptive cruise control system with lane?change assistance [J]. IEEE transactions on intelligent transportation systems， 2015， 16（5）： 2373?2383.

[12] 朱艷玲，陳家琪.基于魚群效應(yīng)的車輛交叉換道最小安全距離研究[J].軟件導(dǎo)刊，2018，17（3）：23?27.

[13] WOO H， JI Y， KONO H， et al. Lane?change detection based on vehicle?trajectory prediction [J]. IEEE robotics & automation letters， 2017， 2（2）： 1109?1116.

[14] 李瑋，王晶，段建民.基于多項(xiàng)式的智能車輛換道軌跡規(guī)劃[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（3）：242?245.

[15] BEDOGNI L， GRAMAGLIA M， VESCO A， et al. The Bologna ringway dataset： improving road network conversion in SUMO and validating urban mobility via navigation services [J]. IEEE transactions on vehicular technology， 2015， 64（12）： 5464?5476.

[16] CAIATI V， BEDOGNI L， BONONI L， et al. Estimating urban mobility with open data： a case study in Bologna [C]// Proceedings of the 2016 IEEE International Smart Cities Conference. Trento， Italy： IEEE， 2016： 1?8.

[17] 王嶸冰，徐紅艷，李波，等.BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（4）：31?35.

作者簡(jiǎn)介：楊文忠（1971—），男，河南南陽(yáng)人，博士，副教授，CCF會(huì)員（25451M），研究領(lǐng)域?yàn)槲锫?lián)網(wǎng)、輿情分析。

梁? 凡（1993—），女，陜西西安人，碩士研究生，研究領(lǐng)域?yàn)榻煌ò踩?/p>

李東昊（1994—），男，新疆烏魯木齊人，碩士研究生，研究領(lǐng)域?yàn)槭录z測(cè)。

楊蒙蒙（1994—），女，新疆阿克蘇人，碩士研究生，研究領(lǐng)域?yàn)橥话l(fā)事件預(yù)測(cè)。

富雅玲（1993—），女，新疆烏魯木齊人，碩士研究生，研究領(lǐng)域?yàn)榻煌ㄊ鹿释话l(fā)事件檢測(cè)。