高速公路雾天能见度预测方法.docx
《高速公路雾天能见度预测方法.docx》由会员分享,可在线阅读,更多相关《高速公路雾天能见度预测方法.docx(8页珍藏版)》请在冰豆网上搜索。
高速公路雾天能见度预测方法
龙科军李超群】,毛学军2,胡玉婷3
3.长沙理工大学交通运输工程学院,湖南长沙410004;
2.江西公路开发总公司.江西南昌330000;3.江西省交通工程集团有限公司.江西南昌330000)
摘要:
以多要素气象楼测器采集的样本数据为基础,将温度、风速及湿度作为输入变量以及雾天能见度作为输出变量,分别采用三层结构BP神经网络和支持向量机非线性回归预测方法,建立雾天能见度的预测模型;将预测结果与实际数据进行对比分析的结果表明:
BP神经网络和支持向量机均能较好地预测雾天能见度,其中BP神经网络和支持向量机模型预测值与实际值的相关性分别为0.895和0.978.支持向量机预测结果的误差更稳定.因而更适于处理非线性小样数据.
关键词:
高速公路;雾天;能见度;BP神经网络;支持向量机
中图分类号:
U491文献标志码:
A文章编号:
1674-358X(2017)01-0031-07
据现有统计.高速公路雾天交通事故率是晴天的3〜4倍「七当道路受雾天影响无法正常运营甚至中断时,道路通行能力和运输系统效率降低,交通事故数及严重性也会增大.因此,实时检测和准确预测高速公路雾天能见度是高速公路雾天预警管理的关键.故而针对高速公路上不同的气象影响条件,研究高速公路雾天能见度的预测方法.
影响高速公路雾天大气能见度的因素较多,不仅跟气象条件有关,而且与地形、人类活动等相关.各影响因素交叉形成不同的雾天条件,雾天大气能见度也各不相同.国内外学者对雾天能见度开展了诸多研究,Saadatseresht等官利用人工神经网络对大气能见度预报进行了研究;Clark等㈤构建了以湿度、气溶胶和温度为主要影响因素的能见度预测模型≈Chmicleckι等里采用贝叶斯平均方法(BMA),利用贝叶斯概率.对雾的产生概率进行了预测;Choi等㈤基于浓雾自然场景,构建了雾浓度和能见度预测模型.国内也有学者针对雾天能见度开展了相关研究,张德山等㈤基于大气稳定度、水汽含量和悬浮颗粒物等气象要素•提出了大气能见度预报指标;吴兑等E利用数值试验,提出了四种雾区能见度预报方法;陈锋立等「时采用WRF模式,对大气能见度进行了数值模拟;宋明等针对相对湿度、PM2.5和PM10三个气象指标.分析了它们与大气能见度的关系;管琴等「"采取中度尺预报模式MM5.对雾天能见度进行了模拟分析.过去的研究表明.能见度的影响因素有很多,各种因素交叉复杂,且基于现场实测数据的预测方法容易受到周围环境的影响.增加预测的难度;同时.能见度观测方式的欠缺、观测条件和环境的限制使得相关数据的采集较为困难.目前,国内外对于雾天能见度的研究,多以历史数据为依托.利用统计方法,预测能见度的趋势.采用传统回归预测方法,建立多元回归模型,对雾的产生概率进行预报,而对于雾天能见度的预测研究则相对比较少.已有研究发现温度、风速、湿度是影响和决定雾天能见度的关键因素.故此以该三个因素为主要参数,以多要素气象检测器采集得到的样本数据为基础,分别采用BP神经网络和支持向量机SVM开展雾天能见度的预测与分析.1雾天能见度神经网络模型
1.1神经网络原理
BP(backpropagation)是一种典型的多层前向型神经网络,具有一个输入层、数个隐藏层和一个输出层.BP神经网络具有广泛代表性.可以实现任何一个非线性函数的映射」口,其基本结构如图1所示.
收稿日期:
2016-07-06
基金项目:
江西省交通运输科技计划项目(2013C000S);长沙理工大学研究生科研创新项目
作者简介:
龙科军<1974-).男.教授.博士.硕士生导师,主要从事道路交通运输研究.
•31•
71994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved,http:
∕∕
图1BP神经网络基本结构
1.1.1BP神经网络学习规则
1)对所搭建网络进行初始化检验;2)从样本数据中选出用于训练的数据.并将其输入.运算得到每一层的值;3)通过运算得到每一层输出值的偏差;4)通过偏差对每一层的权值进行调动;5)调整后检验所选训练数据是否都满足该网络,否则重复1)〜4);6)检验整个网络的偏差能否符合所需要的精度.
1.1.2权值调整
输出层与隐含层之间的连接权值调整:
aF
∆wit.=—η ,j=0.1.2.∙∙∙.»!
.k=1.2.∙∙∙.w,
(1)
隐含层与输入层之间的连接权值调整:
aF
∆v,,=—η-—.z=0.1.2.•••.7;.j=1.2.∙∙∙.m.
(2)
1.2预测模型
以多要素气象检测器采集的90组实验数据为基础.选择其中的82组来建立雾天能见度预测模型.另外8组数据用于模型检验.为了保证检验的全面性,此8组数据覆盖0〜1km能见度区间范围.选用3层网络结构.利用MATLAB软件建立预测模型,进行单步预测.其中,温度、风速、湿度这3个参数为输入层.能见度为输出层.利用程序重复进行训练测试以后,采用经验公式,在隐含层节点数为2〜12的条件下,逐一进行计算.结果发现.当隐含层节点数为11时.训练精度最高.BP神经网络训练值与样本真实值比较如图2所示.
训练集预测结果对比
mse=0.0045522R2=0.9847
图2BP神经网络训练值与样本真实值比较
组号
1
2 3 4 5
6
7
8
实际组
666
48 510 559 845
596
346
39
预测组
446
20 386 291 472
419
249
220
表2雾天能见度的BP神经网络预测值精确性
统计组
组数
均值 标准差
均值的标准误
实际组
8
451.125 288.04982
101.84099
预测组
8
312.875 150.52901
53.22004
表3
雾天能见度的BP神经网络预测值与实际值相关性
统计组
组数 相关系数
P
预测组
8 0.895
0.003
表4雾天能见度的BP神经网络预测值与实际值差分
差分指标 均值
标准差
差分的95%置信区间
均值的标准误
下限 上限
t
自由度
P
预测组 138.25
167.377
59.177 -1.681 278.181 2.336
7
0.052
1.3预测结果与精度检验
将8组预测样本输入模型,得到8组样本雾天能见度的预测值,采用均值、标准差和均值的标准误等统计量,对预测结果精度进行验证;同时将预测组与实际组进行配对和变量显著性核验,对预测值与实际值的差分和相关性进行分析.结果分别见表1、表2、表3、表4.雾天能见度BP神经网络预测值与实际值对比如图3所示.
表1雾天能见度的实际值与神经网络预测值
图3雾天能见度BP神经网络预测值与实际值对比
由表3、表4和图3可知:
雾天能见度神经网络预测值与实际值的相关系数为正,高达89.5%;F值为0.003,属于高度相关;预测组与实际组的P值为0.052,大于0.05,预测值与实际值无显著差异.可见,BP神经网络对于雾天能见度的预测具有良好的适应性.
2雾天能见度支持向量机模型
2.1支持向量机原理
支持向量机(SVM)的理论基础来自于Vapnik和他的合作者提出的统计学习理论.SVM是基于统计学
.33.71994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved,http:
∕∕
习理论的一种监督学习算法,其目标是考虑结构风险最小,寻求一个最优分类超平面工」.
不失一般性,设含有Z个训练样本的训练集样本为{(x,,y),z=l,2,∙∙∙,Z},其中x,是第,个训练样本的输入向量.x,=U1.^.∙∙∙.√]τ.y,为对应的输出值.支持向量机就是要求解如下优化问题:
min(-||w|+CE(&+ξ*)),
L ι=ι
s.t.v;—wφCrl)—6≤ε+6∙z=1.2.•••./. (3)
—V,+wρ(.r,)+6≤ε+ξ*.
e,≥o,e*≥0,
式中:
。
为惩罚因子.e为误差要求.
核函数KC"r,)的选择对于支持向量机预测模型的性能有一定影响,典型的基本核函数如下:
1)线性核函数
K(JC,,3Cj)'3Cj. (4)
2)多项式核函数
K(⅛,∙τz∙)=(γxjxj+sY. (5)
3)径向基核函数(RBF)
K{xi,jc7∙)=exp(-γ||xi—Xj∣∣2). (6)
4)Sigmoid核函数
K(jji∙>Xj)=tanh(-γx↑xj+s). (7)
2.2预测模型
将雾天能见度看作时间序列{X(C«=1.2.∙∙∙,则预测模型可以描述为:
xω=φ[X(⅛-1),X(;-2),-,X(t-/>)], (8)
式中晔为非线性函数“为嵌入维数.
利用MATLAB软件建立预测模型.其中温度、风速、湿度3个参数为输入向量,能见度为输出向量.与BP神经网络预测模型对应,采用相同的82组训练组,对样本进行分类.为验证预测效果,采用同样的8组数据作为测试组.高速公路雾天能见度预测的建模流程如图4所示.
图4高速公路雾天能见度预测的建模流程
•34•
这里,采用RBF函数作为核函数的首选,即
K(xi9xj)=exp(-γ||xi—XjII2)?
/>0. (9)
RBF核函数相比其他核函数具有以下优点ra:
l)需要确定的参数较少,数值复杂度较低,减少数值的计算困难;2)能够处理分类标注和属性的非线性关系;3)主要用于线性不可分的情形.
2.3预测结果与精度检验
输入8组检验样本的温度、风速及湿度数据,得到相应的预测值,对预测值与真实值的差分和相关性进行分析.结果见表5、表6、表7、表8.支持向量机预测值与实际值对比如图5所示.
表5雾天能见度的实际值与支持向量机预测值
图5支持向量机预测值与实际值对比
由表7、表8和图5可知:
雾天能见度支持向量机SVM预测值与实际值的相关系数为正,高达97.8%,P值为0,属于高度相关;预测组与实际组的F为0.824,大于0.05,预测组与实际组数据无显著差异.可见,支持向量机预测模型能较好地预测能见度.
.35.
组号
1
2 3 4 5 6
7
8
实际值
666
48 510 559 845 596
346
39
预测值
704
32 510 498 1035 644
223
23
表6
雾天能见度的实际值与支持向量机预测值统计量
统计组
组数
均值 标准差
均值的标准误
实际组
8
451.125 288.04982
101.84099
预测组
8
458.625 350.15667
123.79908
表7
雾天能见度的实际值与支持向量机预测值相关系数
统计组
组数 相关系数
P
预测组