基于BP神经网络的高速公路路段可靠性评价

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的高速公路路段可靠性评价范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】随着我国高速公路里程的快速增长，高速公路可靠性也越来越受到人们的重视。无论是从高速公路管理者还是使用者的层面，对高速公路可靠性的研究都具有重要意义。本文对影响高速公路路段可靠性的主要因素进行了分析，建立起评价路段可靠性的BP神经网络模型，并通过仿真实验对模型有效性进行了验证。

【关键词】高速公路、BP神经网路、可靠性评价

0 引言

高速公路路段可靠性是分析整个路网可靠性的基础，是出行者对高速公路出行最直观的感受与体验。同时，高速公路路段可靠性也是管理者进行管理决策的重要参考依据。

Lint和Zuylen[1]于2005年对高速公路行程时间可靠性的指标进行了研究。2010年，Chien和Kolluri[2]研究了不同交通量和天气条件下高速公路行程时间的可变性和可靠性。从定量分析角度出发，得出高速公路上当天气晴转大雨或者大雨转雪的时候，行程时间不可靠性会增加，同时，缓冲指数从24%增至45%和90%。2011年，Arezoumandi[3]基于均值和标准差对高速公路行程时间可靠性进行了预测。2014年柏喜红等[4]从数理统计、缓冲时间、行程延误和行程时间分布宽度及斜度四个角度出发，总结了高速公路行程时间可靠性的评价指标，并对各指标的特点及适用性进行了归纳分析。

本文在已有研究成果的基础上，分析了影响高速公路路段可靠性的主要因素，提出采用bp神经网络技术，通过对影响高速公路路段可靠性的影响因素进行分析，建立起评价模型，并通过仿真实验对模型有效性进行验证。

1 BP神经网络

BP（Back Propagation）网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络评价可以解决多指标变权的动态求解问题，避免了多因素约束条件下主次因素相互转化的复杂模型求解问题，为进行高速公路路段可靠性评价提供了一种高效的方法。利用BP神经网络可以全面评价多因素共同作用下的路段可靠性，运用神经网络知识存储和自适应特征，实现历史经验与新知识的结合，在发展过程中动态评价高速公路路段可靠性。

2 高速公路路段可靠性影响因素及评价指标

2.1 影响因素

对高速公路本身的特性进行总结分析，得出影响高速公路路段可靠性的主要因素有如下四种：

（1）道路条件

道路条件分为两种：一种为高速公路技术标准所决定，如车道数、道路几何线形、路段标准断面、交通工程等；一种为运营期公路基础设施养护状况。一般来说，在同等其他条件下，更高技术标准的高速公路，其可靠性也更高。其次，高速公路运营期的养护也对路段可靠性有重要影响，破损的的路面会提高高速公路交通事故率，降低路段行车速度，更严重情况下可能导致交通大堵塞。同样，道路施工等养护工作也会对路段可靠性产生影响。

（2）环境因素

环境因素也分为两种：自然环境和社会环境。自然环境主要指：天气、自然灾害等。一般来说，雨雪天气普遍行车速度较低，并且容易产生交通事故，导致路段可靠性降低，夜晚受视距变短的影响，路段可靠性同样要低于白天。社会环境涉及比较广泛，国家政策、地区风俗习惯等都是影响高速公路可靠性的潜在因素，如我国节假日客车免费政策，节假日返乡客流、旅游客流激增等等。

（3）交通量

交通量是影响高速公路路段可靠性最直接的影响因素，特别是路段交通量已经接近或超过路段设计通行能力的路段，交通量的细微波动都有可能导致交通拥堵的产生。交通量对路段可靠性的影响还体现在车型比例组成的影响方面，较高的大车比例将降低路段平均车速，同时交通事故率也相对较高。

（4）偶然因素

影响高速公路路段可靠性的偶然因素很多，如天灾人祸等。鉴于其不可预测性，本文在这不做赘述。

通过对高速公路路段特征分析，从车辆运行原理出发，把交通量、路面养护、交通环境、路段设计技术标准等作为路段可靠性分析中的主要影响因素。

2.2 评价指标

柏喜红等通过分析现有的高速公路行程时间可靠性研究文献，根据行程时间可靠性的概念及其计算方法，将高速公路行程时间可靠性的评价指标分为三个类型：基于数理统计类指标、基于缓冲时间的指标、基于延迟行程的指标。由于基于缓冲时间的指标最接近出行者的实际感受，能有效衡量高速公路路段不确定性，作为出行者路径选择的依据，因此，本文采用该类型指标之一――缓冲指数――作为评价路段可行性评价标准。该指标计算公式如下：

其中：为某一路段某一时间段内的缓冲指数；

为该时间段内所有行程时间的95%分位数；

为该时间段内路段上的平均行程时间。

3 路段可靠性评价的神经网络模型

3.1 网络结构

选用三层神经网络模型进行高速公路可靠性评价，即输入层-中间层-输出层。典型的BP神经网络结构模型如下图所示。

输入信号通过中间节点作用于输出节点，经过非线性变换，产生输出信号，对于期望输出，通过调节输入节点与隐含节点的连接强度和隐含层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向减小，确定与误差相对应的网络参数（权值和阈值）。

参数变量设置如下：

输入层：输入模式向量，希望输出向量为。

中间层：单元输入向量，输出向量；

输出层：单元输入向量，实际输出向量；

输入层与中间层连接权为；

中间层与输出层连接权为；

中间层阈值为；

输出层各单元输出阈值为；

激活函数：。

3.2 数据预处理

由于各项数据量纲各不相同，为使数据处理更加精确，对原始数据进行归一化处理，将有量纲的表达式经过变换化为无量纲的表达式，消除数据间量纲的差异。转换公式如下：

式中：M为归一化后的数据；为原始数据；为输入输出层的最小值；为输入输出层的最大值。

3.3 隐层神经元数

大量实验表明，对于三层神经网络的训练，一般隐层神经元的个数选取可以通过下式来确定：

式中：为隐层神经元个数，n、m分别为输入、输出的神经元个数，a为1至10之间的常数。本文输入节点为7个，输出节点为1个，由上式得出隐层神经元个数为4～12个。

4 模型检验

4.1 数据

使用MATLAB工具进行仿真实验。训练函数采用trainlm，隐层节点数为10。随机采用某段高速公路路段150条历史记录用于神经网络训练，另外选取12条用于验证数据模型。

4.2 仿真结果分析

由表3可以看出：基于BP神经网络所建立的高速公路路段可靠性评价模型最大相对误差为4.75%，平均相对误差为1.40%。由此可见，采用BP神经网络方法所建立的评价模型能够较好地评价高速公路路段可靠性。

5 结论

本文对高速公路路段可靠性影响因素进行了分析与探讨，总结得出主要影响因素，并给出了可靠性评价指标。在此基础上建立起高速公路路段可靠性评价的BP神经网路模型，采用实际数据进行仿真实验，对模型有效性进行了验证。仿真实验结果表明，BP神经网络模型在路段可靠性评价中具有较高精确性。

参考文献：

[1] Lint J. W. C. and Zuylen H. J. Monitoring and predicting freeway travel time reliability using width and skew of the day-to-day travel time distribution [CD]. Presented at the 84th Annual Meeting of the Transportation Research Board， Washington， D.C.， USA， 2005.

[2] Chien S. I. and Kolluri K. Evaluation of freeway travel time variability and reliability under adverse weather with transmit data [CD]. Presented at the 89th Annual Meeting of the Transportation Research Board， Washington， D.C.， USA， 2010.

[3] Arezoumandi M. 基于均值和标准差的高速公路行程时间可靠性预测[J]. 交通运输工程系统与信息， 2011， （06）： 74-84.

[4] 柏喜红，陈旭梅，王 莹，刘文峰，汪 林. 高速公路行程时间可靠性研究综述. 交通运输工程与信息学报， 2014年6月第12卷第2期.