第３５卷第３期 ２０１７年０５月 佳木斯大学学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｊｉａｍｕｓｉ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖ０１．３５ Ｎｏ．３ Ｍａｖ ２０１７ 文章编号：１００８—１４０２（２０１７ Ｊ０３—０４８５—０３ 基于ＢＰ神经网络的高速公路团雾预测研究① 王月琴， 张文菊， 谈玲珑 （安徽新华学院，安徽合肥２３００８８） 摘要： 高速公路团雾天气对交通和人们生命造成很大危害，因此对高速公路团雾的预测十分 必要。本文通过采集高速公路部分站点的风向、风速、温度、相对湿度、气压和能见度六个指标作 为样本，建立ＢＰ神经网络模型预测团雾的产生。通过ｍａｔｌａｂ软件对样本数据进行仿真分析，采 用Ｔｒａｉｎｌｍ训练函数误差仅为０．０２％。结果表明，该方法可以应用于高速公路团雾的预测。 关键词： 高速公路；团雾；ＢＰ神经网络；ｍａｔｌａｂ 中图分类号：ＴＰ１８３ 文献标识码：Ａ Ｏ 引 言 高速公路团雾容易造成多车追尾从而引发重 １ 建立高速公路团雾预测模型 １．１ ＢＰ神经网络原理 大交通事故，对高速公路安全和经济效益都带来了 很大影响。因此，近年来国内外科研工作者致力于 预测团雾从而避免交通事故的发生。团雾形成的 条件主要包括充足的水汽、凝结核、低空逆温层、气 温、风的脉动作用¨ 。因此本文通过采集高速公 路部分站点的风向、风速、温度、相对湿度、气压和 人工神经网络根据反馈方式不同主要分为前 馈神经网络和后馈神经网络。本设计采用前馈神 经网络。 图１为前馈神经网络单个神经元的模型图，主 要模仿了生物神经元的三个最基本、最重要的三个 特征 ６ Ｊ：加权、求和与转移。其中， 。， ，…，ｘｊ分别 代表神经元１，２，…， 的输入； ，Ｗ：，…， 表示上 层神经元１，２，…， 与这个神经元的连接权系 数；ｂ为阈值 ．）为传递函数；ｙ为神经元的输 一能见度六个指标作为作为团雾产生的六个要素。 根据团雾产生的六个条件，建立模型对团雾进行预 测。胡众义，刘清 基于ＳＶＭ分类对雾图像进行 了分析；谢斌，高嵩 等人基于神经网络和小波变 换分析了长江山区航道雾情；艾洪福，石莹 等人 基于ＢＰ神经网络给出了一种团雾检测方法。由 出。由图１可推知神经元的净输入值可以表示为： ｓ＝∑加 ｉ＝１ ＋ｂ＝Ｗ・Ｘ＋ｂ （１） 于ＢＰ算法是多层神经网络非常有效的算法，本文 采用ＢＰ算法。 ｘｌ 其中，Ｘ＝［ ｌ， ２，…， 。，Ｗ＝［Ｗ１，Ｗ２，…，ｗｉ］ 净输入５通过激励函数 ．）后就可以得到神 经元的输出Ｙ： Ｙ：／（Ｊｓ）＝ ∑Ｗ ＋ｂ）＝ Ｗ・Ｘ＋ｂ）（２） ｘ２ ’ ● ， 输入 神缝她 输出 ＢＰ神经网络模型由输人层、中间层和输出层 组成，中间层可以有多层 Ｊ，图２为三层ＢＰ神经 网络拓扑结构示意图。样本数据从输入层输入，通 过中间层传到输出层。 图１神经元模型图 ２．２团雾预测模型 本设计所建立的团雾预测模型如图３所示，共 ①收稿日期：２０１７一ｏ３—１３ 基金项目：高速公路团雾实时监测系统的研究（２０１４ｚｒ００５）。 作者简介：王月琴（１９８０一），女，安徽太湖人，硕士，讲师，研究方向：模式识别与智能控制。 ４８６ 佳木斯大学学报（自然科学版） ２０１７年 有３层，分别为输入层、中间层和输出层。 输入 中划 输｝｝｛ 图２三层ＢＰ神经网络拓扑结构 输入 巾ｆｎ】 输粥朦 ３团雾预测模型 ２．２．１ 输入层 对团雾形成的条件分析可知，确定了浓雾预测 模型的输入量有六个，六个输入量对应的名称如表 ｌ所示。 表ｌ 团雾预测模型输入变量 输入变量 输入变量名称 风向 风速 温度 相对湿度 气压 能见度 ２．２．２输出层 团雾输出为有雾和无雾两种状态。根据实际 情况团雾预测模型的输出层设计如表２所示。 表２ 团雾预测模型输出变量 ０１ 输出变量意义 有雾 无雾 ２．２．３中间层 ＢＰ神经网络中，中间层节点数的个数不能过 多也不能过少。如果选取过少，会使神经网络的性 能很差；选取过多，虽然可以使得神经网络的系统 误差变小，但是容易陷入局部极小点而达不到最优 点。可以由以下参考公式３确定隐含层节点数 ． ｎｌ＝ ＋０ （３） ｎ１：中间层单元数；ｎ：输入层单元数； ｚ：输 出层单元数；ｎ：［１～１０］之间的常数。本文所设 计的ＢＰ神经网络模型有６个输入节点和１个输 出节点，经过多次ｍａｔｌａｂ仿真实验，中间层节点为 ５个时，网络的性能最好。 ２．２．４ ＢＰ神经网络团雾预测流程 根据输入样本数据预测有无团雾流程图如图 ４所示 输入风向、风速、温度 相荆 湿度、气压、能见度样本数据 Ｉ 运用谰蟪样本列ＢＰ网络进行调 练・确定ＢＰ网络参数 ｉ 对样本数据归一化 ｉ 运用检 样本对ＢＰ网络进行柱 验 确定遥用于本秉娩的最优 训练函数 ｉ 输出琐测结果 图４ ＢＰ神经网络团雾预测流程 图５网络结构图 ３ 仿真研究 ３．１ ｍａｔｌａｂ仿真 ３．１．１ 采用ｎｅｗｆｆ函数创建前馈ＢＰ网络 如图５所示，该网络的输入层具有６个样本数 据，中间层具有５个神经元，均采ｔａｎｓｉｇ（正切Ｓ型 传递函数）作为其传递函数。输出层只有一个输 出量，输出１或一１，１表示有雾，一１表示无雾。 №第３期 王月琴，等：基于ＢＰ神经网络的高速公路团雾预测研究４８７ 由于有正有负，输出层传递函数采用ｔａｎｓｉｇ函数。 ３．１．２训练函数的选择 选取不同的训练函数对网络的收敛速度和精 度有很大影响，因此要根据具体问题选取合适的训 练函数。本仿真将训练参数设置如下： 设置最大训练次数：ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐｏｃｈｓ＝１００００； 设 Ｉｌ练目 嵯：ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｇｏａｌ＝０．００００４； 设置学习速率：ｎｅｔ．ｔｒａｉｎＰａｒａｍ．１ｒ＝０．０１； 采用训练函数如表３所示。 表３ ＢＰ网络的训练函数 训练函数 训练方法 Ｔｒａｉｎｇｄｘ 自适应ｌｒ梯度下降法 ｎ菌ｎｌｍ Ｌｅｖｅｎｂｅｒｇ—Ｍａｒｑｕａｒｄｔ Ｔｒｍｎｃｓｆ Ｆｌｅｔｃｈｅｒ—Ｒｅｅｖｅｓ共轭梯度法 Ｔｒａｉｎｂｒ 贝叶斯（Ｂａｙｅｓｉａｎ）归一化算法 ３．２仿真结果 本文所采用的样本为逐小时平均风向、风速、 温度、相对湿度、气压及能见度，一共７个样本，每 个样本由６个变量构成。选取的样本序列如表４ 所示。其中，预报对象１为团雾，一１为无雾。前６ 个样本作为训练建模，后一个样本作为检验。 表４原始数据 表５采用不同训练函数误差 由表５可知，采用Ｔｒａｉｎｌｍ函数作为训练函数 误差最小，采用Ｔｒａｉｎｂｒ函数作为训练函数误差最 大。所以适合本系统的训练函数为Ｔｒａｉｎｌｍ函数。 ３ 结 论 本研究根据团雾产生的六个关键因素，运用 ＢＰ神经网络预测高速公路团雾，通过仿真可得能 够较好地预测团雾，本文还存在不足和需要改进的 地方，具体总结如下： （１）从仿真结果来看，风向、风速、温度、相对 湿度、气压及能见度六个物理量能够较好预测团 雾；采用Ｔｒａｉｎｌｍ函数误差最小，采用Ｔｒａｉｎｂｒ函数 无法预测。 （２）ＢＰ神经网络可以作为高速公路团雾预测 算法；ＢＰ神经网络算法优点是自适应性好，根据影 响团雾的因素加人一定的训练样本就可以较好预 测团雾。 （３）由于本系统的样本较少，所以结论的普遍 性还有待进一步验证。想要检测系统的实用性，需 要增加样本数据； （４）由于高速公路地形地貌的不同，影响团雾 产生的因素也不同。所以可以根据不同地形地貌， 调整影响团雾的物理量或者将更多的物理量添加 进来。 参考文献： ［１］董建希．雾的数值模拟研究及其综合观测［Ｄ］．南京：南京信 息工程大学，２０ｏ５． ［２］ 严明良．沪宁高速公路低能见度浓雾特征及其数值模拟研究 ［Ｄ］．南京：南京信息工程大学，２０１１． ［３］胡众义，刘清，郭建明，等，一种基于ＳＶＭ分类的雾图自动检 测方法［Ｊ］．计算机仿真，２０１５，３２（２）：３４２—３４６． ［４］ 谢斌，高嵩，初秀民，等．基于神经网络和小波变换的长江山 区航道雾情时空分布［Ｊ］．中国航海，２０１５，３８（３）：１０３—１０７． ［５］艾洪福，石莹．基于ＢＰ人工神经网络的雾疆天气预测研究 ［Ｊ］．计算机仿真，２０１５，３２（１）：４０２—４０６． ［６］孙娓娓．一种基于放大误差信号的自适应ＢＰ算法［Ｊ］．计算 机应用，２００８，２８（８）：２０８１—２０８３． ［７］王元章，吴春华等．基于ＢＰ神经网络的光伏阵列故障诊断研 究［Ｊ］．电力系统保护与控制，２０１３，４１（１６）：１０８—１１４． ［８］ 沈花玉，王兆霞，高成耀，等．ＢＰ神经网络隐含层单元数的确 定［Ｊ］．天津理工大学学报，２００８，２４（５）：１３—１５．
