1、1基于 RBF 神经网络的高速公路主线可变限速控制摘 要：高速公路主线限速控制是一个非线性时变系统，受多种因素的影响，其基本规律很难用确定性模型描述，因此本文提出基于 RBF神经网络控制理论的高速公路主线可变限速方法，提高道路的使用效率。关键词：可变限速；RBF 模糊神经网络；高速公路主线 中图分类号：U491.123 文献标识码：A 文章编号： Variable Speed-Limit Control Of Expressway Mainline Based On RBF Fuzzy Neural Network TU Dan, Xu Chanzhi, Chen Wei (School of
2、 Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, Sichuan, China) Abstract: The speed-limit control of expressway mainline is a nonlinear time-varying system, affected by a variety of factors. Its hard to describe the deterministic model of the basic rules. So, based on R
3、BF neural network, a theory about the variable speed-limit control of expressway mainline is proposed in this paper to improve the efficiency of road use. 2Keywords: Variable speed-limit control; RBF fuzzy neural network; Expressway mainline network 引言 高速公路主线限速控制是通过设置可变速度标志来限制行车速度，通过为驾驶员提供速度信息，能降低高速
4、车辆的比例，从而平滑交通流，在一定程度上减少交通事故，保证了高速公路上面运行车辆的稳定，同时还能提高道路通行能力1。石永辉等在深入研究交通流和驾驶行为特征的基础上，提出了可变限速控制策略以缓解交通拥堵、改善交通安全2；干宏成等结合我国高速公路和城市快速路的特点，运用交通流理论对拥挤产生的原因进行分析，提出了相应的可变限速控制策略、模型及算法，并进行有效性评价3,但都缺乏数学模型和仿真算例。由于 BP 神经网络存在训练速度慢、易陷入局部最优解等缺陷，预测效果差，难以应用于高速公路可变限速控制4,5。陈书旺等概述了模糊系统和神经网络两者结合的优势，由于 RBF 神经网络在逼近能力、分类能力和学习速
5、度等方面的优势，对 RBF 网络进行了模糊化构造6，证明了对用于被控对象数学模型不清或难以建立的场合下，模糊 RBF 神经网络结构学习效率的优越性。 目前对高速公路车辆安全行驶速度控制的方法不完善，缺乏有效性；限速模型与限速标准没有考虑不同路段的路况、不同气候条件等因素的影响，缺乏合理性。所以，论文为高速公路可变限速控制引入 RBF 神经网络控制算法，对有效改善高速公路交通安全状况具有重要的理论和实3际意义。 1 高速公路可变限速影响因素 高速公路可变限速控制的因素影响因素有很多，主要是以下几个方面7： 1.1 道路车流量大小不同，所对应的可变限速值不同。 1.2 气候的变化，将直接影响高速公
6、路可变限速值，包括路面的温度和湿度、气象的晴、阴、雨、雪、雾、风等。 1.3 可变限速值与路面纵向附着系数有关，与路面凹凸不平等情况有关，与道路线性有关。 1.4 高速公路可变限速值和驾驶员的心理状态、驾驶技术也有很大的关系，但是驾驶员的心理行为、驾驶员对可变限速板提供的可变信息做出的相关反应等都比较难于界定。 在上述影响因素中，就某一段固定的受控高速公路而言，路段上的道路车流量可以通过安装在高速公路上的环形线圈检测器、超声波检测器等检测出来；具体的天气状况可以通过高速公路控制与管理人员观察到，路面温度、路面湿度均可由相应的传感器检测到；而路况条件在短期内是确定的，则认为道路等级和线性等情况是
7、固定的。 2 控制模型 2.1 控制系统的 RBF 模糊神经网络结构 论文采取基于径向基(RBF)函数网络模型的模糊神经网络，模糊神经网络控制器的输入有两个，一是单位长度路段上的车辆数量，用 n 表示，取值范围为0,100，划分为 5 个模糊子集“少” ， “较少” ， “中等” ，4“较多” ， “多”；另一个是行车环境综合评价指标值，用 s 表示，取值范围为0,10，也划分为 5 个模糊子集“低” ， “较低” ， “中等” ， “较高”， “高”，由具体的路面情况和天气情况决定。 其中，行车环境综合评价指标值采用模糊逻辑得到一个具体的指标值。行车环境综合评价指标值模糊控制器的输入量有两个
8、，分别为天气指标值和路况指标值，因为天气和路况的确定存在一定的模糊性。即对于天气的描述用 w 表示，取值范围为0,10，划分为 5 个模糊子集“差” ， “较差” ， “一般” ， “较好” ， “好” ，取值越大天气越好；对于路况的描述用 r 表示，取值范围为0,10，也划分为 5 个模糊子集，“差” ， “较差” ， “一般” ， “较好” ， “好” ，取值越大路况越好。 模糊推理规则为 模糊神经网络的模糊推理规则为 根据模糊规则，可构造用于预测的 RBF 模糊神经网络如图 1 所示。此模糊神经网络由五层组成，分别是输入层、隶属函数层、规则化层、结果层、去模糊化输出层。 图 1 控制系统
9、的 RBF 模糊神经网络结构 5第一层：输入层，其输入与输出一致。两个输入分别为影响高速公路可变限速的因素：单位长度路段上的车辆数量、行车环境综合评价指标值。 （1） 第二层：模糊化层，将两个输入因素分别划分为 5 个等级。划分因素 1，表示为，分别代表“少” ， “较少” ， “中等” ， “较多” ， “多” ，同理划分因素 2，表示为。这里的隶属函数采用高斯径向基函数，和是第 i 个输入变量第 j 个模糊集合的隶属函数的中心和基宽。 （2） 第三层：规则层，这一层的每个节点分别只与上一层中的 2 个因素中的某单个级别节点相连接，所以的这一层的节点总数为 25，表示为。也就是说，两个因素决
10、定一个规则。 （3） 第四层：结果层，结点表示为。25 条规则按照不同的权值组合形式形成了不同的结果。本层的每个结点都与上一层相连接。传递函数使用函数，是第三层的第 k 个结点到第四层第 j 个结点的权值。 （4） 第五层：去模糊化层，这一层只有一个结点，用 Y 表示。将 5 个等6级值按一定的权值组合出最后的输出结果。输出函数使用函数，是第四层的五个结点到输出层的权值。 （5） 2.2 系统的 RBF 模糊神经网络的学习算法 高速公路可变限速控制系统的 RBF 模糊神经网络的学习算法采用向后传播误差的方法。 2.2.1 对于输出层单元，设误差为 EO，用下式表示：；其中，O 是实际输出，而
11、T 是基于给定训练元组的已知目标值。 2.2.2 计算隐藏层单元的误差，考虑下一层中连接到 j 的单元的误差加权和。隐藏层单元 j 的误差是：；其中，是由下一较高层中单元 k到单元 j 的连接权重，而是单元 k 的误差。 2.2.3 权值和隶属度函数参数更新， ，其中表示从 i 层到第 j 层的权值，L 表示步长，一般设置为 0 到 1 之间的值，表示第 j 层的误差，表示第 i 层的输出。 2.3 系统的 RBF 模糊神经网络的训练方法 本文将采用增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方法训练该 RBF 模糊神经网络。 2.3.1 依次学习每组输入样本以此来调整权值
12、。其中，当输出层误差小于某个值或超过预先指定的周期数时，则单个样本学习样本终止。 2.3.2 使所有样本的完成一次学习，使用调整后的网络再一次计算各组样本的输出，得出相应的输出层误差。 72.3.3 令所有样本误差绝对值中的最大值为 e。若 e 大于某个值且周期数小于指定值时，重复步骤（1） ，直到终止。 3 仿真研究 3.1 选择学习样本和测试样本 仿真路段选择为某高速公路一段 10km 作为研究对象，根据高速公路管理人员实际经验和专家的实际知识，提供的样本作为训练数据。其中，行车环境综合指标值采用模糊逻辑所得值如表 1 所示。 表 1 行车环境综合指标值 选取 15 组输入样本如表 2 所
13、示。 表 2 学习样本 选取 5 组测试样本如表 3 所示。 表 3 测试样本 3.2 实现过程 3.2.1 RBF 模糊神经网络的学习和训练过程。 通过初始化权值和函数参数，形成未训练的 RBF 模糊神经网络架构，然后使用学习样本对网络进行有指导的学习和训练，训练结果如表 4 所8示。 表 4 网络学习结果 3.2.2 数据测试 把 5 组与学习样本不同的数据作为测试样本，输入网络进行计算，测试结果如表 5 所示。 表 5 检测结果 3.2.3 结果分析 由以上测试结果可以看出，预测精度不如训练样本精度高。其中可能的影响因素很多，可能是样本过分的拟合了训练数据，也可能是训练次数不够。不过，总
14、的来说样本误差较小，在可接受范围。 3.2.4 与 BP 神经网络结果比较 为了验证 RBF 模糊神经网络方法的有效性和优越性，本文对基于模糊神经网络的限速控制方法和基于 BP 神经网络的限速控制方法在测试集上的准确率进行了比较。结果如图 2 所示。 图 2 对比图表 用 BP 神经网络测试，结果相对不稳定，本文选取的是一个相对比较9好的拟合结果，可以看出用 BP 神经网络评估方法的结果虽然能在一定程度上拟合目标值，但和 RBF 模糊神经网络相比，其拟合度明显不如后者，而且有部分值与目标速度值差别很大，所以 RBF 模糊神经网络算法是一种更好的高速公路可变限速控制方法。 4 结论 本文在仔细分
15、析国内外研究高速公路可变限速控制前提下，提出用RBF 模糊神经网络智能建模方法建立速度限制模型，并且提出将增量型模糊神经网络训练方法和批处理型模糊神经网络训练方法相结合的方案，使训练结果更客观、更有效。用 Matlab 编程实现了整个网络，最后与 BP神经网络作了对比实验，实验结果表明该方法更适合于高速公路速度控制。 参考文献 1李宝家,黄小原.高速公路交通的变速限模糊控制J.控制工程,2002,9(3):45-47. 2余凯,张存保,石永辉.基于多元因素的高速公路可变限速值计算方法研究J.交通信息与安全,2011,159(29):4-7. 3干宏程,孙立军.高速公路可变限速控制技术研究J.交
16、通科技,2004,207(6):91-93. 4B H M Sadeghi. A BP-neural network predictor model for plastic injection molding processJ. Journal of Materials Processing Technology, 2000,103(3):411-416. 5Kuang-Hua Fuh, Shuh-Bin Wang. Force modeling and 10forecasting in creep feed grinding using improved bp neural networkJ. International Journal of Machine Tools and Manufacture, 1997,37(8):1167-1178. 6陈书旺,张喜英.模糊理论在 RBF 神经网络中的应用J.人工智能及识别技术,2007:728-737. 7谭满春,徐建闽,毛宗源.高速公路入口匝道模糊逻辑控制J.华南理工大学学报,1999,27(8):5-8.
