公路线形评价和运行速度预测的研究

公路线形评价和运行速度预测的研究

ID:32328559

大小:2.16 MB

页数:81页

时间:2019-02-03

上传者:U-22107
公路线形评价和运行速度预测的研究_第1页
公路线形评价和运行速度预测的研究_第2页
公路线形评价和运行速度预测的研究_第3页
公路线形评价和运行速度预测的研究_第4页
公路线形评价和运行速度预测的研究_第5页
资源描述:

《公路线形评价和运行速度预测的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

西南交通大学硕士研究生学位论文第1页摘要公路交通运输事业是我国经济发展的支柱型基础产业和驱动力量,对我国社会、经济发展起着重要的作用。然而,伴随着交通运输基础设施的快速增长和交通事业的发展,交通事故数量剧增,对于人民的生命安全、财产安全造成极大的威胁,影响我国特色社会主义建设的顺利进行。通过分析、研究和试验,实现了公路线形的评价检查方法,为公路线形的安全评价提供了理论保障和定量数据支持,从而达到找出现状道路条件中存在的安全隐患,便于改善线形条件,提高交通安全水平,达到减少事故的发生、保障人们出行安全、降低财产损失的目的。具体从以下几个方面进行了深入系统的研究:介绍了国内外交通安全评价的发展历程,在对国内外交通安全评价研究现状进行评述的基础上,提出文章研究的问题,并拟定采取的研究方法、技术路线、试验方案及其可行性研究。对道路交通系统与交通安全的内外部环境进行了系统的分析,介绍了公路线形影响运行速度的因素,详细分析了公路平、纵、横、环境指标因素对运行速度的影响,通过对线形元素与运行速度的关系研究现状分析,根据预测指标的特性,构建了预测运行速度的指标体系,并对指标体系作相关假设和数据处理。构建基于神经网络理论豹公路线形元素上运行速度的预测模型。首先概述人工神经网络理论,详细介绍BP算法和弹性BP算法,通过对算法的分析,指出算法在实际应用中的注意事项和存在的问题;给出用于线形评价的评价标准;在此基础上,构建了公路线形评价模型。应用MATLAB软件,编程实现运行速度的预测;为检验模型和程序的可行性,选择一条三级公路的数据资料进行实证分析。最后论文总结了全文的研究工作及研究结果,提出了论文的创新点,并对未来的工作给予展望。关键词:公路线形;运行速度;评价方法;神经网络;公路交通安全评价 西南交通大学硕士研究生学位论文第1I页AbstractHighwaytrafficandtransportationindustryhasbecomethesupportingindustryanddrivingforceofourcountry’Seconomyincreasingly'which舀VCSimportantleadingeffectonthedevelopementofsocietyandtheeconomy.However,highspeedDevelopmentofinfrastructuralfacilitiesandtrafficbeingaccompanyingwithtrafficaccidentincrease,thatbringsaboutextremelylargeLhreattosafetyandliveSofthepeople,affectourcountry’Scharacteristicsocialistconstruction’Sdevelopement.Byanalyzingandresearchingthedevelopingactuality,evoIvingsafetyauditandmechanism.interiorandexteriorcircumstaliceandgovernment’Smacroscopicalcontrolment,asysteminfohasbeenconstructedtooffertheoryguaranteeandpractice百stforthealignmentsafetyaudit.Inthispaper,somepartshavebeenbroughttoresearchthehighwaysafetyaudit:OnthebasisofreviewingtheresearchingactualitiesoftrafficsafetyEvaluation,theformingmechanismofalignmentsafetyaudithasbeenanalyzedusinganalysisandtheconcept,technologycoursesandthefeasibilityofresearchhavealsobeenexplained.TheinteriorandexteriOrcircumstanceoftra自丘candtransportationsystemhavebeensystemicailyanalyzed.Theinfectionofcircumstanceonhighwaysafetyandthebasicconditionanddevelopingtendencyofsafetyauditreaserchhaveallbeendiscussed.Subsequently,thedevelopingcircumstanceconditionofsafetyauditreaserchhavebeenanalyzedfromtheanmeSofbasicestablishment,alignment,environmentwithability.Atlast,asysternofevaluationhasbeenconstructedtooffertheoryguaranteeandpractice百stforthealignmentsafetyaudit.BymeansoftheANNanalysisforoperatingspeedforecast.theartificialneuralnetwork,ANN’SstmctureandBPnetwok。resilientBPnetwokhavebeendiscussedsystemically.Atthesametime,theevaluatingindexhasbeenselected,andtheflOWchartofsafetyauditmodelhasbeenconstmcted.ByusingMATLABsoftware.Theabovetheoriesandsafetyauditmodelhasbeentested.Astoverifvthefeasibility,selecteonehighwayofthirdclassforademonstration.FiUally,theresearchWOrksandresultsofthisdissertationhavebeensummedupandsomefuturetaskhavebeenbroughtforward.Keywords:Highwayalignment:Operatingspeed;Evaluatingmethod;ArtificialNeuralNetwork;Highwaysafetyevaluation 西南交通大学硕士研究生学位论文第1页第1章绪论1.1研究背景和意义交通是一个国家发展的重要基础,大力发展我国交通事业必将加速经济的发展,带动和刺激新的经济增长,对于推动国家的可持续发展具有重要意义。公路交通运输事业发展迅猛,公路总里程快速增长,极大地促进了国家经济的发展,使得人们出行更为便捷,货物运输更为畅通,为建设中国特色社会主义国家打下坚实的基础。然而,伴随着交通运输基础设施的快速增长和交通事业的发展,交通事故数量剧增,对于人民的生命安全、财产安全造成极大的威胁,影响我国特色社会主义建设的顺利进行。根据国家交通部和公安部的统计显示,公路交通存在严重的问题,比如:2005年,全国共发生道路交通事故450254起,造成98738人死亡、469911人受伤,直接财产损失18.8亿元,其中,全国公路上发生交通事故272840起,造成76689人死亡,分别占总数的60.6%和77.7%【11。如此对于人们的出行安全造成极大威胁,同时导致巨大的财产损失。公路线形设计原则,体现了线形设计在公路设计中的重要程度。公路线形设计必须符合汽车的行驶特性,公路直接暴露于自然界,不仅影响自然界的生态和环境,自然界的地形、地质、气候、水文等也直接影响公路的安全使用。公路的使用者是驾驶车辆的人,公路的线形、汽车的性能以及沿线的自然环境都对驾驶员产生影响,进而影响到汽车行驶的安全性、舒适性,最终体现在影响汽车的运行速度。这些特征体现了公路是一个人一车一路一环境组成的复杂系统【2】。采用什么方法怎样来检查和评价处于复杂系统中公路线形的设计质量,将对运营期汽车行驶的安全性、舒适性有很大的影响,迫切需要找到一种科学、合理的线形评价方法【3l【4】。结合我国公路线形设计的现状和存在的问题,提出了公路线形设计评价方法和运行速度预测的研究课题。基于公路交通运输安全现状,旨在提高公路安全水平的公路线形评价方法研究具有重大意义:探讨实现公路安全审查的方法,找出现状道路条件中存在的安全隐患,便于改善线形条件,提高交通安全水平,达到减少事故的发生、保障人们出 西南交通大学硕士研究生学位论文第2页行安全、降低财产损失的目的。当前形式下,中国特色社会主义建设经济投资资金紧缺,公路线形评价方法能够在公路建设之前审查出线形设计中存在的问题,从而避免建设之后改建或治理这样的资金浪费。当前的公路设计评审大多采用专家组评审的方法,该方法存在两个问题:专家只是根据自己的经验和认识对设计成果资料进行评审,不能定量地用数据体现,也不能针对具体的现场环境作出详尽、客观的评价。研究努力实现对设计线形评价的定量化,并结合现场环境作出尽可能合理的评价。综上所述,公路线形评价方法研究对于促进建设中国和谐社会的建设,实现中国交通事业可持续发展具有重要的意义。1.2公路安全评价研究现状如何从道路条件入手,有效的提高整个国家或地区的交通安全水平,降低交通事故率?一些发达国家率先提出了道路交通安全审计的概念并展开广泛应用研究,最初是对现有道路进行调查,后来逐渐将注意力集中到了设计阶段,成为一种主要的道路安全“事前型评价”的方法,下面介绍一下国内外在道路线形设计安全评价方面的现状。1.2.1国内研究现状1.安全审查阶段以新疆道路安全审查为代表,其它各省制定的安全审查的原理、内容和方法大致相同。1998年同济大学受新疆高等级公路管理局委托,为其高等级公路制定了道路安全评价程序。其评价清单表如表1:表1评价清单表交通分析沿线气象分析事故历史分析路线出入口、路边店、加油站路面平面交叉互通式立体交叉分离式立交桥梁、隧道与结构物交通工程与沿线设施标志标线和照明路基路面工程特殊道路用户其它问题总的来看,在安全审查过程中,评价人员制定安全评价清单,然后根据清单上的详细内容作逐个检查,可以实地踏勘并分析具体的环境状况。这种方法简单易行,目标明确,缺点是只是简单评价道路安全状况,没有在可能 西南交通大学硕士研究生学位论文第3页引发交通事故的内在因素中来排查潜在危险,也没有详细分析探讨交通事故和线形的内在联系和规律。因此,安全审查只是道路安全评价技术的初级阶段形式。2.基于事故率回归分析阶段北京工业大学陈永胜等人通过对汉宜高速公路多年交通事故统计资料分析研究得出了平面直线、平曲线、纵坡路段、组合曲线路段、横断面设计、中央隔离带设计和路侧设计等方面的安全特性规律。其主要工作是进行事故次数与各种线形元素的回归分析,然后根据得到的模型预测在线形元素上的事故次数【5】。其部分研究成果如下表2所示:表2北京基于事故率回归分析部分研究成果内容评价对象理论模型注释长直线Y:预测事故数y。12.773e061“反向曲线间短直线X:对应参数值y.一79.971X3+299.53/(2—356.45X+153.69平曲线半径S=1:有缓和曲线Y一-15.876Ln(X)+162.08S---0:无缓和曲线缓和曲线Y一-15.876Ln(X)+162.08-32.29Sf:坡度值最大坡长Y一1.0409ABS(i)+12.28LL.坡长值这种方法将线形安全评价提升到量化层次,但是研究结果里的模型过于简单,样本数量较少,不能够准确的反映交通安全问题和线形之间的内在联系:而且,量化的结果没有统一或者用客观的标准进行评价,只能根据评价人员的经验给出最终的结论;此外,建立的模型大都是针对具体的交通事故统计资料回归分析而得到,在其它地区的适应性不强,不具有普遍性,因此应用不广泛。3.基于线形和车速的回归分析阶段:(1)北京工业大学RsdSup这个阶段的主要成果就是北京工业大学任福田教授、刘小明教授等人开发的道路安全设计支持平台(简称RsdSup:RoadSafetyDesignSupportPlatform1。该平台的核心指标是“信息离差”,即“驾驶期望车速与道路需求车速转换频度的离差”。驾驶期望速度根据汽车动力学,并将人的因素介入到汽车动力系统中,综合得到期望速度。道路需求速度根据道路线形和实测车速进行回归之后得到的代表性统计规律值【6】。其工作 西南交通大学硕士研究生学位论文第4页原理如下图1一l所示:望醣};期善i{序柏#i图/\/一一一、f>—,\1---,—一\/一一、、一一/.,-、,、—1.,一■‰一,!丑nbI母一世Ikm罅f习堰I廿l丽可胚f足叮觋fⅡ图1一lRsdSup的信息离差示意图’k这种方法引入了人的影响因素,考虑了人承载信息的能力,得到期望速度。当人接受到的有效信息量下载时,出现“信息过载”现象,表现为期望速度和道路需求速度的离差变大,此时就会出现潜在行车危险,、容易发生交通事故。但是,这种方法的最大缺陷在于简化了汽车动力系统计算,并且简化了驾驶员的行为系数标定,这对研究结果造成了很大的误差。车速是由人、车、路这个系统共同作用的结果,它的变化既有必然的规律,又有偶然的因素,因此简化动力系统计算会造成计算车速和实际车速的偏差过大,计算结果的说服力不强。(2)西安长安大学可能速度长安大学杨少伟教授提出了“可能速度”概念,并在公路线形设计和道路线形安全评价中应用。可能速度是的含义是指在良好的气候条件和交通条件下,汽车的行驶只受到公路本身线形条件影响,技术熟练的驾驶员驾驶汽车沿某条公路行驶时,可能达到的速度,简称可能速度。可能速度是一种连续的最大可能的运行速度,它和以往的设计速度、运行速度有着很大的区别,可用图1—2表示: 西南交通大学硕士研究生学位论文第5页JV《黻厂一;∥\/≥黻运行速度瞰¨“偶O图l一2可能速度、运行速度和设计速度关系图可能速度应用在检查、评价公路线形设计的质量和安全性,以及公路设计中与行驶速度有关的其它设计项目,如行车视距、会车视距、超车视距,横断面设计、爬坡车道的设置、避险车道的设置、高速公路或平面交叉的变速车道长度设置和限速标志等等方面。的不变性和运行速度的区间性的缺点,总的来看,可能速度纠正了设计速度把对速度的认识提高到了连续变化的层次,这是很大的进步。当然,这个概念还有很多可以提高的地方,如速差的标定需要进一步的调查和CAD技术结合起来实现实时修改技术。总之,线形指标虽然最能直接反映道路线形的总体特征,却无一能够和安全之间建立关系,不能够建立方程式来预测安全状况;而且,线形指标与事故率之间的关系也不如速度指标与事故率之间那么强。总之,线形指标在评价线形安全中给研究人员提供了一种辅助手段,为速度指标的关系式提供了基本的参数。国内道路安全评价发展的道路安全后评价阶段,吴伟明等人采用层次分析模型作为道路线形质量评价体系,在一定程度上比较有效,但是其评价体系主要是根据现有规范的内容拟定评价指标,评价的范围和深度不够。然而,此评价体系建立的指导方法采用了模糊灰色层次分析方法,其系统分析的思想是值得学习的。1.2.2国外研究现状通过阅读文献【7~15】可以看出,国内外道路安全评价的前几个阶段研究方法与特点基本相似,不再详述。 西南交通大学硕士研究生学位论文第6页国外道路安全评价如今发展到计算机交互式分析阶段。美国公路联邦管理局FHWA研究成果道路安全评价软件IHSDM(InteractiveHighwaySafetyDesignModel)。其中的设计线形连续性模块DCM(DesignConsistencyModel),是用于事前型分析的模块,其核心内容是预测设计元素上的运行车速(v鄂),根据运行速度的变化或与设计速度之差来判定设计结果是否连续,进而判定道路安全性。其运行速度预测有前提条件:1.车速只受线形变化的影响;2.不考虑缓和曲线的影响,在圆曲线上车速保持不变;3.在长直线上的车速可以达到期望速度。于是DCM在速度预测时没有考虑缓和曲线的作用、地域及其他环境的影响;而且在不同的线形组合条件下,其速度的预测值和实际观测值之闻有着较大的差异。所以,在DCM的基础上开发更加贴近实际情况和更好的运行车速预测方法,是迫切需要改进和完善的工作。1.2.3文章研究的切入点从国内外研究现状可以看出,公路安全评价有两个转变:一是由最初是对现有道路进行调查,逐渐将注意力集中到了设计阶段,成为一种主要的道路安全“事前型评价”的方法;二是经过各种的定性或者定量分析方法研究,取得了很多阶段性成果,然而同时发现这些模型的缺陷,适应性不强、评价的范围和深度不够等等,并将研究角度转移到运用运行速度来评价线形这个方面。文章研究的切入点正是基于这些原因,选择运行速度作为评价道路线形的依据,主要工作是运行速度预测并且完成公路线形评价。运行速度模型是通过在典型公路上行驶车辆的实际行驶速度观测,经统计、分析其数据分布,从而回归出运行速度的测算模型。以车辆的实际运行速度作为线形设计主要依据之一,可以有效地保证路线平、纵、横各主要设计参数以及相关要素如视距、超高等指标与设计速度的合理搭配,以获得连续、一致的均衡设计。交通部公路司在2000年标准规范项目中立专题开展《高速公路运行速度设计方法和标准》的研究。该研究对我国具有代表性的多条山区高速公路和一级公路进行实际行驶速度的大量的实际调查。通过对实际运行速度的观测数据统计分析,建立适合我国驾驶员特征和汽车动力特性和高速公路特点的 西南交通大学硕士研究生学位论文第7页平、纵线形指标下速度的预测模型。2004年11月交通部发布《公路项目安全评价指南》,将《高速公路运行速度设计方法和标准》的研究成果一运行速度计算方法和评价标准录入为公路行业推荐性标准,在全行业中推荐采用。推广应用运行速度作为公路安全设计的主要指标,将指导我国公路设计工作更加关注“以人为本,注重安全”等新理念,以期在设计阶段就消除隐含的一些安全隐患,体现动态设计、考虑驾驶行为。所以根据基本的平、纵、横设计数据,进行运行速度测算分析;以分析结果指导路线设计与优化,将逐渐成为我国公路设计工作(流程)中不可或缺的重要一环。基于设计速度的本身不足和与行车速度的不适应性,现行《公路工程技术标准》建议公路设计中在设计速度变化路段、爬坡车道、超高等受限路段要用运行速度进行检验,以确保公路几何线形设计能够满足实际车辆行使要求和设计要素间协调和均衡性等问题。同时在2006年正式颁行的《公路路线设计规范》中也于多处要求设计人员进行运行速度的分析计算,从而结合不同项目特点进行具体路基超高选用。尽管运行速度的计算方法很多,但是从第二章的各类运行速度预测模型来看,很多预测模型是片面的、精确度不高、模型太过复杂不易实现等等的缺陷。于是,运行速度的合理、精确计算就是在公路线形评价之前迫切需要解决的问题。1.3研究内容、方法及创新-眭1.3.1研究内容研究的目的是实现公路线形评价方法,为公路安全水平评价提供理论支持。借鉴国内外已有的理论和经验,结合我国公路交通的实际情况,建立适合具体情况的基于人工神经网络的实现公路线形评价模型,然后编程实现,并进行模型的验证和评价【16l【17】[tsl【19】120】12¨。主要研究内容如下:1建立公路线形元素上的预测运行速度的指标体系;2.构建基于人工神经网络的公路线形元素上运行速度预测模型;3.运用MATLAB软件,编制程序训练样本、仿真预测运行速度,实现公路线形评价的功能; 西南交通大学硕士研究生学位论文第8页4.模型的验证和评价。本论文共分为六章,具体安排如下:第一章:绪论。主要是对本文的研究意义、文献综述和国内外研究现状介绍、研究内容和目标、拟解决的关键问题及其技术路线分别予以阐述,最后小结本研究的创新之处。第二章:对道路交通系统与交通安全的内外部环境进行了系统的分析,介绍了公路线形影响运行速度的因素,详细分析了公路平、纵、横、环境指标因素对运行速度的影响,主要是对美国互动式道路设计软件中的设计连续性模块DCM进行具体介绍,并且回顾国内外道路线形安全评价理论研究的相关内容。通过对线形元素与运行速度的关系研究现状分析,根据预测指标的特性,构建指标体系,并对预测运行速度的指标体系作相关假设和数据处理。第三章:构建基于神经网络理论的公路线形元素上运行速度的预测模型。首先概述人工神经网络理论,详细介绍BP算法和弹性BP算法,通过对算法的分析,指出算法在实际应用中的注意事项和存在的问题;给出用于线形评价的评价标准;在此基础上,构建了公路线形评价模型。第四章:根据前面的研究内容,应用MATLAB软件,编程实现运行速度的预测。第五章:为检验模型和程序的可行性,选择一条三级公路的数据资料进行实证分析。最后论文总结了全文的研究工作及研究结果,提出了论文的创新点,并对未来的工作给予展望。1.3.2拟采取的研究方法、技术路线、试验方案及其可行性研究以客观事实和前沿资讯为依据,专业学科为基础,进行定性与定量相结合的实证性分析。参考专家学者和其它同行对此类课题的见解。在论文写作过程中,注意论文的层次性并凸显论文重点;聆听专家意见,请教从业人员;在导师的指导下独立完成,运用所学知识,积极思考,力求创新。我国已具有了较为成熟的关于道路安全性评价的理论知识,且国外也有成功的经验可供借鉴,结合我国的特有国情和道路设计状况,加之深入思考和调查实践,努力实现本课题的既定要求。论文技术路线图如图1—3所示。 西南交通大学硕士研究生学位论文第9页图1—3论文技术路线图1.3.3课题的创新性在公路交通安全领域,通过建立比较完善的影响道路运行车速的线形指标体系,运用神经网络理论仿真预测运行车速,实现公路线形的评价。 西南交通大学硕士研究生学位论文第10页第2章预测运行速度的指标体系2.1道路交通系统与交通安全道路交通系统是一个由人、车、路和道路交通环境构成的动态复杂系统。系统中,驾驶员从道路环境中获取信息,这种信息综合到驾驶员的大脑中,经过判断形成动作指令,指令通过驾驶操作行为,使汽车在道路上产生相应的运动,运动后汽车的运行状态和道路环境的变化又作为新的信息反馈给驾驶员,如此循环往复,完成整个行驶过程。人、车、路这三个道路交通基本要素必须相互协调,才能达到整个系统安全、快速、经济、舒适的要求。在三要素中,驾驶员是环境的理解者及指令的发出和操作者,在信息的搜集、处理、判断的某一个环节上发生差错,就可能引起交通事故,因此它是系统的核心,路和车的因素必须通过人才能起作用。人、车、路组成的系统时刻在变化,因此是不稳定的,三者靠人的干预达到平衡。道路交通系统各要素间的关系如图2—1所示::⋯‘⋯。。⋯。‘。。⋯‘⋯⋯⋯。’。⋯。⋯’⋯。。j图2—1道路交通系统各要素间的关系人、车、路、环境这四个要素在道路交通系统的运行过程中,所处的地位和具有的功能、特性是不同的。其中,“人”是系统中唯一的自主型变量,与其它三个要素相比,只有人是能动的、有意识的。由人接受来自道路、车辆、环境的信息,经过分析、判断和加工后作出决策,实现对车辆的操纵和控制;“车”是系统中唯一的可控变量,人可以通过车辆的操纵机构去控制和改变车辆的运行状态;在目前的科学技术条件下,“路”和“环境”是系统中 西南交通大学硕士研究生学位论文第11页相对不可控制的客观变量,二者都对人和车的运动构成影响,人和车的运动都必须结合实际的道路及环境条件1221。从理论上讲,一旦道路的几何参数确定并按设计规范建成通车后,当道路交通系统中其它三个要素即人、车、环境处于“正常”状态时,该道路存在有一个最大的“安全空间”,如图所示;当其它的要素发生变化时,会使得该道路的安全空间缩小,事故风险上升,如图2—2和图2~3所示pJ。图2—2正常状态下道路的安全空闻图2—3风险上升时道路的安全空间‘因此,道路工作者在进行道路设计或者制定道路改造方案时,要始终贯彻“以人为本”的思想,将安全性置于首位加以考虑。作为道路交通的基础设施和车辆行驶的基本条件,道路对交通安全的影响不容忽视。而交通安全与道路线形设计关系密切,这就要求在道路设计过程中,应以运动的观点综合地设计路线的几何元素。道路线形不仅考虑汽车行驶的运动学、动力学要求,还应考虑线形的宜人性要求,同时要摒弃静止的、孤立的套用技术标准中各项指标的设计方法。要充分考虑相邻路段的交通条件以及具体分析由此形成的运行车速。人、车、路和环境对交通安全都有影响,而无论哪一方面的影响都会反映到车辆或车流的速度上例。那么,根据已经设计完成的施工图资料或者道路现状资料,来预测车辆在道路上的运行车速,再应用国际通用的判断标准来判断道路线形设计或建设是否合理,从而为提高公路安全水平、改善道路 西南交通大学硕士研究生学位论文第12页状况提供数据支持。2.2基于运行速度评价公路线形的合理性分析关于公路线形设计评价方法,目前国内外现有的和正在研究的方法较多,尽管所采用方法或研究角度不同,但遵循的原则和达到的目的是相同的。1.国内研究现状(1)利用透视图和三维动画检查评价1211251:为使公路具有平顺的视觉线形,保证汽车的安全行驶和视觉的连续性,公路上常采用公路透视图检查分析。从传统疑点静态透视图到新近的公路三维动画效果图,使设计和研究人员能从视觉上直观地观察到公路平、纵、横立体形状及其与周围环境的协调配合,起到视觉评价的作用。但这种方法只能获得视觉上的定性分析效果,不能定量评价,对公路立体线形效果评价无一定尺度,难以把握。(2)利用“沿线最高可能车速图”检查评价1261:传统意义的“沿线最高可能车速图”可以反映出全线乎、纵线形要素及其组合对可能最高车速的影响,从而发现平、纵线形要素协调不好的部位,为修改设计提供依据。传统的“沿线最高可能车速图”是根据路线的平面和纵断面绘制的,考虑了汽车动力学行驶要求,但纵断面上没有考虑竖曲线对汽车行驶速度的影响:平面上采用弯道阻力系数正一40/R表征汽车行驶在平曲线上额外增加的那部分阻力,当平曲线半径>200m时不计正,且未考虑缓和曲线的影响,显然理论依据不足。由于该法理论上的缺陷和考虑因素的不全。目前公路设计中应用很少。(3)利用横向加速度变化率评价:参考文献【27】【28】【29】【30】研究了考虑平、纵、横三方面关系的横向加速度变化率在公路设计中控制和评价的理论。建立了横向加速度变化率与三者之间的关系,提出了其在公路线形设计中的控制和评价方程,通过该方程可以对路线各几何要素进行控制和评价,并且考虑了汽车动力学的要求。但该方法对于竖曲线上的控制和评价方程暂无具体方程,另外对横向加速度变化率满足安全性的标准界限需要深入调查、分析和研究。(4)利用运行速度检查评价:我国关于运行速度及其应用的研究比较晚,目前处于研究阶段,因此发表的论文很多。归纳起来主要有两种获得运行速 西南交通大学硕士研究生学位论文第13页度的方法:一种是参考国外的路段实测法,如参考文献【4】【31】【32】等。该法通过路段现场测试,经回归分析建立平曲线半径与运行速度的关系,然后在不同纵坡上对运行速度进行折减后得到。该法还可以通过路段实测车速,绘制车速累计分布曲线,取曲线中85%所对应的速度值作为运行速度。路段实测法需要的样本量大,需要消耗大量人力和物力,同时仅适用于已建实测的公路,对于己建的其它公路或拟建公路不一定适用。而且该法的结果是按沿线平曲线半径分段的直线图形,经限制相邻速差不要过大达到检查控制的目的,显然相邻平曲线之间直线段的速度大小没有考虑,当直线较长、纵坡较小时,直线段行驶速度可能大于平曲线上的行驶速度,不能起到控制作用,只有在山区曲线连曲线的路段可能起作用。另一种是理论预测法,如参考文献[33]1341等。根据汽车动力学加、减速行程计算基于纵断面线形设计的运行速度,根据平曲线半径计算基本公式反算弯道上行驶的允许车速或引用国外的曲度与运行速度关系获得运行速度。将纵断面和平面分别预测的运行速度比较后取小值,作为平、纵线形组合的运行速度。该法没有考虑竖曲线以及横断面的影响。(5)利用交通安全检查评价:该法目前发表的论文较多,如参考文献[35]136][37]等。从行车安全的角度利用交通事故率与路线几何要素的关系来评价或控制路线线形设计的方法。主要根据交通事故调查,经回归分析后建立平面线形、纵断面线形、车道宽度、行车视距、平纵组合线形等与事故率的关系曲线和拟合公式,从而确定事故多发点和控制路线线形的指标,对指导公路线形设计具有一定的指导意义。2.国外研究现状(1)日本早期利用线形图检查评价:该法将路线平面线形的线形图用曲率图表示,将纵断面的线形图用坡度图表示,通过比较两图的零点位置就可以简单地检查出平、纵线形组合设计的好坏。在线形图上如果零点位置一致或接近则平、纵线形配合不好,反之,当零点相互交错则立体线形良好。该法简单、有效,但对于经验丰富的设计者不用该线形图也可判断出平、纵线形设计的质量。(2)日本、美国、英国、德国等从安全性评价线形设计【38】:该法是根据 西南交通大学硕士研究生学位论文第14页调查收集的交通事故资料,分别建立直线、圆曲线、缓和曲线、纵坡(上下坡)、竖曲线、视距等线形要素与事故率的表格或回归曲线和公式,找出相对比较安全的数值或范围,用以指导线形设计或评价线形设计的安全性。(3)美国联邦公路局公路安全评价思想:详见参考文献139][40]等。1988年美国联邦公路局(FaWA)开始研究“交互式公路安全设计模型(InteractiveHighwaySafetyDesignModel,缩写IHSDM),’。该模型是建立在大量观测数据基础上的统计模型,综合考虑了入、车、路之间的相互影响,目的是建立一个与CAD集成在一起的公路安全设计和评价系统,帮助设计人员从公路安全的角度评价设计方案。其中核心的车速一致性模型仍然是采用运行速度进行评价。(4)国外利用运行速度的检查评价方法:随着汽车性能的不断改进,采用设计速度为依据进行公路路线设计的缺陷越来越突出。因而,世界上许多国家都在广泛研究运行速度及其在公路设计中的应用。各种运行速度预测模型在下一节里面有详细的介绍。3.国内外方法评述对于公路线形设计评价方法,国内外主要有利用线形图评价、利用透视图和三维动画评价、利用“沿线最高可能车速”的评价、利用安全性评价、利用横向加速度变化率评价、利用运行速度评价以及利用驾驶员工作量评价等方法。尽管各种评价方法采用的手段和角度不同,但评价的目的是相同的,都是通过检查评价,使公路线形各要素的设计达到连续、均衡和协调,实现汽车在公路上安全运行的目的。其中,利用运行速度进行线形设计检查的方法,是近年来国内外研究和应用的主要方法,也是研究的热点。尽管运行速度预测模型不尽相同,但都是通过已建公路实测或路段大量样本调查,建立路线线形要素与运行速度的回归表达式或图表,规定连续路段相邻线形要素之间的速度差界值,用以控制线形指标的取值。与我国国内研究现状相同,现有国外方法在获得运行速度的途径上仍然采用己建路段上实测或大量调查,经回归分析后得到。在考虑线形要素上多数是建立运行速度与平曲线半径的预测模型,或运行速度与曲度(或偏转角)的预测模型,或运行速度与曲率、平曲线长度、转角的预测模型,或运行速度与平面、纵断面的预测模型等等。事实上,运行速度并非只由平曲线或只 西南交通大学硕士研究生学位论文第15页由曲度所决定。单从公路线形的组成要素考虑,运行速度应该是由平面、纵断面以及横断面三者综合作用的结果。可以看出,采用运行速度评价和检查线形设计是一种主要的方法,这种方法存在的问题是运行速度预测模型的合理性和可操作性。所以,文中通过建立全面的公路线形指标体系,构建运行速度的预测模型,从而达到客观、全面的评价公路线形质量的目的。2.3公路线形影响运行速度的因素公路线形:指由公路平、纵、横三个方面组成的立体形状。运行车速(v跖):是指当交通处于自由流状态,且天气良好时,在路段特征点上测定的第85个百分位上的车速.运行速度协调性是评价线形设计一致性的指标,采用相邻单元路段问运行速度的变化值进行评价。路线设计应使公路线形同地形、地物、景观、视觉相协调,以保证汽车行驶的安全、舒适与经济1411。2.3.1公路平、纵、横、环境指标因素的影响公路本身的几何条件直接影响运行速度的高低。影响因素主要是指公路平、纵、横几何构成指标以及平纵线形组合。1.公路平面因素的影响公路平面线形是由直线、圆曲线及缓和曲线构成,公路平面组成要素对运行速度都有直接的影响。在具有较小纵坡的直线上,汽车一般高速行驶,如果直线较长,甚至以汽车的最高速度行驶。在纵坡较大的直线上,上坡方向行驶的汽车减速行驶,且速度降低较多,但下坡方向汽车的速度较高,且速度增加较快。直线线形对运行速度的影响主要与直线的长度、直线上的纵坡大小等有关。圆曲线对运行速度的影响最为明显,不同的圆曲线半径具有不同的允许行驶速度,则运行速度也不尽相同。圆曲线半径越小,运行速度越低,反之则越高,当圆曲线半径比较大,大到一定程度时对运行速度的影响就变小,甚至可以忽略不计,这时候可以按平面直线对待圆曲线。缓和曲线主要起曲率的过渡变化作用,不同位置的曲率半径对应不同的运行速度。因此,当紧接缓和曲线两端的直线较长、圆曲线半径较小时,缓 西南交通大学硕士研究生学位论文第16页和曲线也起到了运行速度的过渡交化作用。缓和曲线的行驶速度过渡作用说明在缓和曲线上汽车是变速行驶状态,这在实践中是客观存在的,但采用设计速度线形设计方法假设缓和曲线上汽车是等速行驶的,由此导出缓和曲线的形式为rs=A2在变速情况下缓和曲线的具体表达形式还需要深入研究。与惯用形式保持一致,在缓和曲线上运行速度主要与缓和曲线长度、相接的圆曲线半径以及缓和系数等有关。2.公路纵断面因素的影响公路纵断面是由匀坡线、竖曲线构成,公路纵断面组成要素对运行速度起重要作用,特别是纵坡大小及其长度。纵断面匀坡线的纵坡值及坡长限制对运行速度起控制作用。纵坡越陡,运行速度越低,反之则运行速度越高。当纵坡达到减速行驶的坡度以上时,即当汽车在纵坡上减速行驶时,坡长越长,运行速度降低越大,反之运行速度降低越小。竖曲线对运行速度的影响主要与竖曲线半径大小有关。竖曲线半径越小,运行速度越低,反之运行速度则高。当竖曲线半径比较大,且达到一定值后,对运行速度的影响则可忽略不计。3.公路横断面因素的影响公路横断面组成要素较多,主要包括行车道、路肩、中间带、超高、加宽和建筑限界等部分,这些组成要素对运行速度都有影响。行车道包括加宽的宽度,直接影响运行速度,一般行车道较宽有利于安全,运行速度也较高。在较宽路面上,驾驶员的心理紧张程度没有较窄路面那样高。对于一定宽度的路肩,可以减小驾驶员的心理紧张程度,增加行车时驾驶员的安全感,可以以较高的运行速度行驶。超高起抵消离心力的作用,并与圆曲线半径协调一致,一定的圆曲线半径对应一定的超高值,保证汽车以一定的速度行驶。一般,一定半径的圆曲线上,超高值越大,则运行速度越高,但超高值又不能大于规定的最大超高值,因此运行速度的增大是有限度的。4.公路平、纵线形组合因素的影响不同的平、纵线形组合具有不同的运行速度。运行速度检查与修正是在 西南交通大学硕士研究生学位论文第17页初定平、纵线形并按规范要求检查修改后进行,因此认为不存在应避免或不良的平、纵线形组合,如竖曲线的顶部或底部设在反向平曲线的拐点或设在缓和曲线内的组合,只考虑规范允许的正常组合。5.公路其它因素的影响其它因素包括路面的摩阻力、平整度、行车视距等。路面的摩阻力和平整度按干燥、平整取值。在运行速度预测中认为行车视距足够,即不考虑视距对运行速度的影响,但预测出运行速度并对线形检查后可能存在行车视距不足的路段,此时以运行速度为依据修改线形或采取其它工程措施,以保证行车视距要求。6.周围环境因素的影响周围环境因素包括路侧景观环境、交通环境、运输环境、气候环境等。(1)路侧景观环境因素的影响公路建筑限界以外的景观环境对运行速度有一定影响,主要是对驾驶员心理的影响,进而影响到运行速度。驾驶员的心理表现随着周围景观环境的变化而变化。良好的景观环境使驾驶员心理轻松、心情愉悦,驾驶自如,容易使车速控制在安全行驶的范围;不良的景观环境使驾驶员心理紧张、心情压抑,易导致不必要的减速行驶或因急欲驶出该路段而不断加速行驶。文中设驾驶员驾驶技术熟练,驾驶心理正常,路侧景观环境不会影响驾驶员的心理情绪。因此,在运行速度预测中认为路侧景观环境良好。(2)交通环境因素的影响交通环境因素主要指交通量、·交叉口、行人、非机动车等对车流的纵、横向干扰,这些因素对车辆行驶速度都有显著影响,特别是混合交通量大的普通公路,车辆行驶速度下降较多,服务水平也随之下降。文中假设交通环境为自由流状态,车辆行驶不受其它车辆、交叉口、行人及非机动车等的纵、横向干扰。因此,在运行速度预测中认为交通环境良好、服务水平高。(3)运输环境因素的影响汽车运输分为货物运输和旅客运输,按运距又分为短途运输、中途运输和长途运输。中短途运输,尤其是旅客运输,中间站点较多,车辆停靠也多,使行驶速度降低。 西南交通大学硕士研究生学位论文第18页文中假定汽车在设计公路上连续运行,中途不停车、不中转。(4)气候环境因素的影响气候环境包括昼夜、阴晴、雨雪、降雾、大风、温度和气压等因素,这些气候因素主要影响驾驶员的心理和能见度,另外也影响到发动机的工况、路面的抗滑力等,最终都影响到汽车的行驶速度。文中假定气候条件良好,在运行速度预测中认为气候条件不影响预测结果I蚓。2.3.2线形元素与运行速度关系研究现状介绍1.平面线形与运行速度的关系澳大利亚和欧洲等国是最早在公路设计中采用运行速度概的,通过对小半径平曲线运行速度模型进行大量研究,认为平曲线半径是影响运行速度的关键指标,各国基本上都采用“半径—运行速度”模型反映不同平曲线半径与运行速度之间的对应关系。公式(2—1)为幂函数形式表达的运行速度测算模型[431。%-aR6(2--1)式中,‰一运行速度(km/h);R一平曲线半径(m);a、b一模型参数。裴玉龙等研究高速公路车速离散性与交通事故的关系及车速管理给出运行车速的预测模型:第85%位车速的预测公式(2—2)M为%一103.18-0.846%a(2—2)式中,‰。孚。—180—(L—s-/—2R—+了Ly/—R—+L—sz/2R)(2—3)其中,RCCSm带有缓和曲线的单圆曲线曲率变化率,单位为(。)/km;口一曲线转角,单位为(。);LY一圆曲线长度,单位为m;I-,s2,Lsl一两条缓和曲线的长度,单位为m; 西南交通大学硕士研究生学位论文第19页L一曲线长度,单位为kln,L=LY+b1+【税;R一曲线半径,单位为nl。同济大学道路与交通工程教育部重点实验室根据某平微高速公路现场实测建立的运行车速与曲线半径的关系模型【45J为:嵋,-16.24Rojo“(2—4)式中符号意义同前。1990年,Lamm等人根据纽约双车道乡村公路322个调查断面的数据,分析给出了双车道公路运行车速与平曲线半径但)的关系模型撕】:K,.94.396一—3188—.656(2—5)~月希腊Kanelaidis等人开发了另一个双车道公路平曲线半径与运行车速的关系模型【蛔:v。-129.88一等(2--6,2.纵面线形与速度的关系在中华人民共和国交通部部标准《公路工程技术标准》中,详细规定了公路各类等级的设计速度与纵坡、纵坡长度、竖曲线半径、竖曲线长度的对应关系。虽然没有给出纵面线形元素与速度的定量模型,仍然可以看出它们之间的相关程度很高。在预测运行车速的时候不可忽视纵面线形因素。DanielR.Jesscn等学者收集了内布拉斯加州公路70个竖曲线的车速数据,将对车速影响较大的竖曲线坡度、交通量纳入模型,从而褥出了竖曲线运行车速的特征,方程[471如下:V∞:73.9+0.4V计,,-O.1249~0.00143T∞,(2—7)式中,V。算一道路设计速度;g一竖曲线坡度;T。一年平均交通量。3.横断面与车速的关系德国的研究成果:建立平面的曲度、横断面的路面宽度与行驶速度的关系,直接查图即可得到运行速度。横断面对车速的影响,主要是行车道宽度对驾 西南交通大学硕士研究生学位论文第20页驶员心理方面的影响,行车道越窄,车速越低,其规律如图2—4所示:图2—4平面的曲度、横断面的路面宽度与行驶速度的关系曲度是指路线累计偏角,用公式表示为:K.刿(2--8)K一叫【)L式中,K一曲度,单位为(。)/km;口:一任一时刻曲线的偏角,单位为(。);L一路线长度,单位为km。4.美国公路联邦管理局FHWA研究成果美国公路联邦管理局FHWA研究成果道路安全评价软件IHSDM(InteractiveHighwaySafetyDesignModel)。其中的设计线形连续性模块DCM(DesignConsistencyModel),是用于事前型分析的模块,其核心内容是预测设计元素上的运行车速(v85),根据运行速度的变化或与设计速度之差来判定设计结果是否连续,进而判定道路安全性。DCM的速度预测:(1)基本假设速度的预测是基于这样的假设: 西南交通大学硕士研究生学位论文第21页①车速只受线形变化的影响②不考虑缓和曲线的影响,在圆曲线上车速保持不变⑤在长直线上的车速可以达到期望速度(2)评价指标表2—1评价指标体系线形组合可选变量所选变量R2cDn平直线和竖曲线I/R、e、G、k、e/Rl瓜、c、G、0.661.2548平直线和竖凸曲线1/K、Lvl/l【O.031.128平直线和竖凹曲线1/K、LvI/K、Lv0.543.006平曲线和竖凸曲线1/P.、e、1/K、k、e/R1/R、e、1/K、k0.504.3325l平曲线和竖凹曲线l/R、e、1/K、e/Rl/R0.950.0516表中:R为平曲线半径,G为纵坡坡度,k、k是竖凸曲线、竖凸曲线的长度,R2决定系数,表示两变量共同方差比例(相关的强度或大小);mse为最小均方误差:n是样本个数,cp是对mse的和的估计(通过除以62进行标准化)。(3)预测模型表2—2运行速度预测模型线形条件回归模型NR2MSE平曲线和竖直线O≤G≤4%Vs5=106.3+3595.29/R280.922.84平曲线和竖直线4%≤G≤9%v3s=94.46+2744.49/R14O.566.86平曲线和竖直线一9%≤G≤OVss=100.87+2720.78/R220.596.38平直线和竖凹曲线‰=100.19+126.07/R50.683.51平曲线和竖凹曲线v85=106.3+3595.29/R28O.922.84平赢线和限制视距竖凸曲线K≤43Vs5=111.07+175.98/R60.543.51平曲线和限制视距竖凸曲线K≤43V85=101.90+3283.01/R16O.783.95DCM在速度预测时没有考虑缓和曲线的作用、地域及其他环境的影响:而且在不同的线形组合条件下,其速度的预测值和实际观测值之间有着较大的差异。5.《公路项目安全性评价指南》中运行速度的计算模型和运行速度图中华人民共和国交通部2004年发布的《公路项目安全性评价指南》中,推荐了运行速度的计算模型和运行速度图14s]。尽管给出比较详细的运行速度的计算模型,但是还是存在片面考虑线形元素的影响的问题,而且由于模型分段、分类比较繁杂,在具体执行中存在困难。 西南交通大学硕士研究生学位论文第22页6.国内基于线形和车速的回归分析国内基于线形和车速的回归分析成果有北京工业大学任福田教授、刘小明教授等人开发的道路安全设计支持平台和西安长安大学杨少伟教授提出了“运行速度”概念及其计算方法,都有一定的积极作用和应用,但是也存在缺陷和有待提高的地方。综上所述,道路的平面、纵断面、横断面的线形元素对于运行车速都产生影响。然而在线形元素与运行速度关系研究中,大多的成果是针对某一个或几个线形元素与车速的关系进行量化,由此得出的模型有局限性,普遍适应性不强。事实上,运行速度并非只由某一个或几个线形元素所决定。从公路线形的组成要素考虑,运行速度应该是由平面、纵断面以及横断面以及环境因素综合作用的结果(这里只考虑道路及环境因素,驾驶员和车辆因素视为“正常”)。所以,在这些指标当中进行筛选,组成一个比较全面的,能够反映各种因素综合作用的指标体系是进一步要做的工作。2.4预测指标的选择2.4.1预测指标的特性介绍道路交通安全评价指标一般具有以下3个主要特性149l:1.可测性可测性是指评价指标的源数据是否易于得到、统计或计算。评价指标的可测性是一个基础反映了获取指标数据的可操作性。随着信息、通讯技术的进步,基础数据的统计方法和内容有可能发生改变,某些指标的可测性也会随之发生变化。2.代表性代表性是指评价指标所表征的范畴,一些指标可反映整个国家或地区宏观的交通安全状况,一些指标则只反映某种局部特征,指标的代表性决定指标的应用范围。3.可比性可比性是指所选择的指标在各评价对象中具有统一的定义和计量标准,这样才能保证评价比较在相同的基础上进行。在预测运行速度的指标选择上,与道路交通安全评价指标特性基本相同。 西南交通大学硕士研究生学位论文第23页2.4.2预测运行速度的指标选择由前面的公路线形影响运行速度的分析和线形与运行速度的关系研究现状介绍,结合论文研究所采用的方法和实际情况,选择如下的预测运行速度的指标:直线的长度、平曲线半径、平曲线长度、缓和曲线长度、竖曲线半径、纵坡度、纵坡坡长、竖曲线长度、路面宽度、超高横披度。2.4.3对指标体系的假设和数据处理前提与假设:1.车辆在直线段的运行车速用车辆驶入曲线前的速度代替;2.车辆在平曲线段的运行车速用车辆行驶在圆曲线上的速度代替。实际运用的时候采集数据也按此前提进行处理。数据处理:为了将数据统一便于处理和计算,将直线看作是特殊的曲线,设计如下的数据处理格式:(由于平面线既有里程标识,又只有直线和曲线之分,故选择平面线来代表线形的状态:直线对应项目中的0和1是代表经过归一化处理之后的数值)。表2—3数据处理格式慕缓和平曲缓和竖曲纵坡竖曲路面超高曲线线半线长曲线线半度坡长线长宽度横披长度径度长度径度12●直线1k1R。gLgLHBlp●曲线L。。RL,L。2R.gLgkB192.5本章小结本章首先分析了道路交通系统与交通安全的相互关系,对道路线形元素与运行车速的研究现状给予介绍,在此基础上提出了预测运行车速的指标体系。给出对指标体系的假设,并对指标体系作数据处理。 西南交通大学硕士研究生学位论文第24页第3章基于人工神经网络的运行速度预测模型3。1预测运行速度的理论选择数据和信息处理中所使用的方法要根据变量的多少和数据的性质来确定。当变量较少的情况下,如果现象与本质之间的关系比较明确,可以用逻辑推理直接得出结论;如果研究现象在某种概率条件下才会发生,那么可以用概率统计分析方法来研究,如概率统计计算、独立性检验、分布检验、统计估值、假设检验等。在变量较多的情况下,即现象与本质之间的关系比较复杂,凭逻辑推理般难以直接得出结论,这时,如果变量中仅包含定量变量,可以应用多元统计分析等方法,如回归分析,判别分析,聚类分析,因子分析,对应分析,典型相关分析等方法;当含有定性变量时,可以使用数量化理论等方法。如果变量比较多,不具有某种统计分布条件,并且具有非线性特征,那么最好使用非线性分析方法,如人工神经网络等方法。在数据和信息处理过程中应保证信息不失真,选择不合适的数学方法会造成信息失真。如果使用线性方法来处理具有非线性特征的数据,会把非线性部分掩盖掉,从而使计算结果的地学解释发生偏离。由于“线性”是“非线性”的退化,一般情况下,使用非线性方法进行信息处理是比较稳健的。由前面章节内容可以看出,人、车、路和环境对运行速度都有影响,这些因素当中有些是定性的变量,比如路侧环境、驾驶员素质等;单从道路线形因素看,运行速度应该是由平面、纵断面以及横断面三者综合作用的结果。变量较多;从已经有的研究成果看,运行速度与影响因素(比如平曲线半径、路面宽度等)具有非线性的关系,而且不具有统计分布条件。人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注:(1)可以充分逼近任意复杂的非线性关系;(2)所有定量或定性的信息都等势分布贮存于网络内的各神经元,故有很强的鲁棒性和容错性;(3)采用并行分布处理方法,使得快速进行大量运算成为可能;(4)可学习和自适应不知道或不确定的系统;(5)能够同时处理定量、定性知识。人工神经网络的研究的重要意义己为许多科 西南交通大学硕士研究生学位论文第25页学家所承认,将它看成是智能信息处理发展的一个主流方向。自20世纪∞年代中期以来,人工神经网络重新引起许多科技工作者的兴趣,形成现代非线性科学和计算智能研究的主要内容之一。由于人工神经网络的信息处理机制和它的成功应用,实际上它己经成为智能信息处理的主要技术之一。随着人工神经网络理论的日趋成熟,它的应用也逐渐扩大和深入。第二章线形元素与运行速度关系研究现状介绍给出了各种分析方法及计算模型,可以看出,用线性分析方法来进行运行速度的预测是不合适的;而且在变量较多的情况下,用多元统计分析方法来实现运行速度预测将耗费大量的时间、精力以及计算中的困难,而碍到的结果却有适应性不强、不易推广等缺点;还有,采用多元统计分析方法进行运行速度的预测将面临某些定性变量的处理问题,比如使用数量化理论处理定性变量,从而增大了难度。然而对于这些问题,运用神经网络可以得到很好的解决,因此,文中选择人工神经网络来进行运行速度的预测。3.2人工神经网络理论人工神经网络(ArtificialNeuralNetwork,简称AN№是人类在对其大脑及大脑神经网络认识理解的基础上,人工构造的能够实现某种功能的网络;是人脑及其活动的一个理论化的数学模型,是由大量简单处理单元相互连接而成的复杂网络,是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统[50l。人工神经网络是生理学上的真实人脑神经网络的结构和功能,以及若干基本特性的某种理论抽象、简化和模拟而构成的一种信息处理系统。从系统观点看,人工神经网络是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统15”。1.人工神经网络信急处理的基本特性主要有:(1)并行处理性;(2)处理的非线性;(3)信息处理与储存的合二为一性;(4)可塑性与自组织性;(5)层次性与系统性; 西南交通大学硕士研究生学位论文第26页(6)分布存储与容错性。2.人工神经网络的研究可以分为理论研究和应用研究两大方面。(1)理论研究可分为以下两类:①利用神经生理学与认知科学研究人类思维及智能机理。②利用神经基础理论的研究成果,用数理方法探索功能更加完善、性能更加优越的神经网络模型,深入研究网络算法和网络性能,如稳定性、收敛性、容错性等。(2)应用研究可分为以下两类:①神经网络的软件模拟和硬件实现的研究。②神经网络在各个领域中应用的研究。这些领域主要包括模式识别、信号处理、知识工程、专家系统、优化组合和机器人控制等。神经网络理论经过半个多世纪的发展与推广应用,目前已经渗透到各个领域,在智能控制、模式识别、计算机视觉、自适应滤波和信号处理、非线性优化、自动目标识别、连续语音识别、声纳信号处理、知识处理、传感技术与机器人、生物医学工程等方面取得了很大进展。随着人工神经网络理论本身以及相关理论、相关技术的不断发展,人工神经网络的应用将更加深入和广泛。为简洁明了,下面仅介绍神经细胞及神经网络,给出神经元网络的特征,然后重点描述BP网络。3.2.1神经细胞及神经网络人工神经网络是人类对其大脑及大脑神经网络认识理解的基础上人工构造的能够实现某种功能的智能网络,是基于模仿大脑神经网络结构和功能而建立起来的一种信息处理系统。因此,人工神经网络的研究基础是人类对其大脑及大脑神经网络的认识理解1521[53】瞰】[551。图3—1是大脑神经元简图。 西南交通大学硕士研究生学位论文第27页图3—1大脑神经元简图人类的大脑由大量的高度互联的单元组成,这些单元叫神经元,数量大约有1011个,它们通过1015个联接被联成一个系统。每个神经元都有独立的接收、处理和传递电化学信号的能力。大脑神经元由三部分组成:树突(Dendrite)、细胞体(Soma或Cellbody)和轴突(Axon)。树突是树状的神经纤维组成的接受网络,它将电化学信号传送到细胞体,细胞体将这些输入信号进行整合并进行阈值处理。轴突是单根长纤维,它把细胞体的输出信号传向其他神经元。一个神经元的轴突和另一个神经元的树突的结合点称为突触(Synapse)。神经元在突触的联接点接收信号,在突触上的接受侧,信号沿树突被传入细胞体,有的信号起刺激(Excite)作用,有的信号起抑制(Inhibi0作用,当细胞体中接收信号的累加作用超过一个阈值时,细胞体被激发,这时已发出信号通过轴突传向其它神经元。在大脑神经网络中,每个神经元都通过突触与网络中很多神经元相联系,同一个神经元发出的信号是相同的,这个信号对接收它的不同神经元产生不同的效果,这是由相应的突触决定的,突触的“连接强度”越大,接收的信号越强,反之,连接强度越小,接受的信号越弱。突触的连接强度可以根据网络受到的训练而改变。 西南交通大学硕士研究生学位论文第28页人脑神经网络一些结构是与生俱来的,而其他的部分是在后天的学习过程中形成的。在学习过程中,可能会产生一些新的连接,一些己有的连接可能会消失。人脑神经网络在整个生命期内不断地进行改变,后期的改变主要是加强或减弱突触的连接强度。3.2.2神经元网络的特征通过对人类人脑神经网络的研究,了解到它的基本特征:1.由人量的神经元及它们之间的联接组成;2.神经元之间的连接强度决定信号传递的强弱;3.神经元之间的连接强度可以根据网络受到的训练而改变;4.信号可以是起刺激作用的,也可以是起抑制作用的;5.一个神经元接受的信号的累积效果决定该神经元的状态;6.每个神经元可以有一个“阈值”,它决定接受刺激的细胞体是否被激发。3.3BP网络3.3.1BP网络模型结构及算法的数学描述BP网络有输入层节点、输出层节点和隐含层节点。对于输入信号,要先向前传播到隐含节点,经过激活函数后,再把隐含节点输出信息传播到输出节点,最后给出输出结果[561p7】例。BP网络模型结构见图3—2:黾—_+ox:—加而—_o毛—呻。屯川石。川工.—呻。图3-2BP网络结构t(期望输出) 西南交通大学硕士研究生学位论文第29页BP网络算法的主要思想是把学习过程分为两个阶段:第一阶段:信息正向传播过程,给出的输入信息通过输入层经隐含层处理并计算每个单元的实际输出值:第二阶段:误差反向传播过程,若在输出层未能得到期望的输出值,则逐层递归地计算实际输出值与期望输出之差值即误差,以便根据误差调节权值。这两个过程的反复作用,使得误差逐步减小,最后,当误差达到所期望的要求时,网络的学习过程就结束。BP网络算法的数学描述:BP算法是在导师指导下,适用于多层神经元网络的一种学习,是建立在梯度下降法的基础之上的。设有共L层和N个节点(或称单元)的一个任意网络,每层单元只接受前一层的输出信息并输出给下一层各个节点,各节点的特性为Sigmoid(连续可微函数)。设给定s个样本(xk,血)a【=1,2,...,S),任一节点i的输出为oi,对某一个样本k,其输入向量为耻(n维),网络的输出向量为血(m维)。现在研究第l层的第j个单元,当输入第k个样本时,节点j的输入值为:m,;一蔓。.w。*0。1-x(3--1)式中:k表示样本序号;f,(f一1)表示网络层号;i表示对应于节点j的前一层的某一个节点(该层总节点数为n1);0址表示节点i的输出值;wij是从节点i到节点j的连接权值。节点j的输出值为:以一,限)(3~2)式中;吐是节点的输入信息;f∞是节点的激活函数。反向传播时,定义网络的期望输出dk与实际输出Y:的误差平方和为目标函数,即巨。专著以肚一),盖)(3--3)2-_ 西南交通大学硕士研究生学位论文第30页式中:m为输出层的神经元个数。如果只有一个输出单元(m=1),则有:乓-丢他一y1)2(3—4)S个样本的总误差定义为:E-去蹇反这样,网络的学习问题就等价于无约束最优化问题:E(叻一rain通过调整权值W,使总误差E极小。权值调整公式为:吣1)哪h嵩(3~5)(3—6)(3—7).式中.t为迭代次数;p为步长;瓦0E。耋嚣;s为样本个数。定义:岫薏于是,‘熹。争要。争.02'哦I‰--(3吲¨qaIl‰aWljaIlm””下面分两种情况讨论第一种情况若节点j为输出单元,则哦一呔,为讨论方便,设网络只有一个输出单元,有弘薏2薏费叫t—yi)∥㈣(3--9)第二种情况若节点j不是输出单元,则争薏专鲁=虿OEk巾:)(3--10)式中,啡是传送到下一层(f十1)层的输入,计算轰要从(f+1)层算回 西南交通大学硕士研究生学位论文第31页来。设共有m1个单元(p=1,2,⋯,m1),则轰-耋锈学,-茎奇咿茎瞪‰,(3--11)将式3--11代入到式3--10,可得:6;一∑(6盖1·%).,’啡)(3—12)如果采用:,∽。寿‘3--13)作为激活函数,则其导数为:,’∽.掣.f(x).(1一,o))(3—14)将上式分别代入式3--9和式3--12,得到:6:一一(畋-y'k)-f(x).(1一厂(石))(.3--15)6;t芝(《1·%)·,o)·(1一,o))(3—16)现在,反向传播算法的步骤可以概括如下:选定权系数初值%(o);重复下述过程直至收敛(样本从k=l到k=S):正向计算过程:从输入节点开始向前逐层计算各节点的输入值,k和输出值D乞,直至计算出网络输出值贰。反向计算过程:对每层各单元,计算误差,并按下式修正权值:%㈣一州一p熹(3-17)3_3.2基于BP网络的运行速度预测模型按照BP网络结构模型及网络算法,结合公路线形预测运行速度的指标体系,构建基于BP网络的运行速度预测模型:1基本构成 西南交通大学硕士研究生学位论文第32页根据文章研究需要,结合大脑神经网络的基本特征,可以看出,神经元是组成神经网络的最基本的单元,因此,构造一个人工神经网络,首先要构造人工神经元模型,并且它要有大脑神经网络的基本特征。(1)神经元是一个多输入(一个神经元的多个树突与其已神经元通过突触相联系)、单输出(一个神经元只有一个轴突作为输出通道)单元。设神经元的n个输入信号分别用昂毛⋯⋯an表示,一个输出信号用Y表示。这里,输入信号由第二章所建立的运行速度预测指标体系组成,一个输出信号即表示运行速度。(2)神经元是一个具有非线性输入/输出特性的单元。当细胞体中接收信号的累加作用超过一个阈值时,细胞体才被激发,这时它发出信号通过轴突传向其它的神经元。细胞体的输入又可表示为式(3—18):2.了玉一b(3--18)式中,∑墨一细胞体中接收信号的累加作用;7=Ib一神经元的阈值;z一细胞体的输入。阈值b在数学模型中又称为偏差。(3)神经元具有可塑性。细胞体接收不同神经元的输入信号的强度,是由相应突触的连接强度调节的。设细胞体连接不同神经元的突触的连接强度为M(f-1,2,⋯,甩),那么,细体的输入模型可表示为:z一∑M‘一b(3—19)连接强度M在数学模型中又称为连接权。2神经元激活函数当细胞体接收不同神经元的输入信号的累加作用超过一个阈值时,细胞 西南交通大学硕士研究生学位论文第33页体才处于激发态,这时它发出信号通过轴突传向其它神经元;否则,它处于抑制状态。为了反映神经元对所受刺激的处理,人工神经元要有一个变换函数,将神经元对所受刺激转换为反应(输出)。为了使人工神经网络有更宽的适应面,人工神经元要有一个更一般的变换函数,来执行人工神经元对所接受输入的变换,产生人工神经元输出,这就是激活函数。它用,来表示:Y-,0)(3—20)式中,y一该人工神经元输出。激活函数应有以下两条性质:(1)单调递增;(2)定义域为整个数轴。为了使人工神经网络有更宽的适应面,激活函数有阶梯函数、斜坡函数、对数s型函数、双曲正切S型函数、线性函数形式。文章在第四章经过实验选择激活函数。3网络结构神经网络中神经元之间的连接方式反映了神经网络的拓扑结构,它决定着神经元的性质和处理信息的能力。按照连接模式,神经网络模型可以分为前向式神经网络和反馈式神经网络。在前向式神经网络中,所有神经元只接受在其之前的神经元的输出作为输入,也就是说网络中不存在回路。网络中存在反馈连接的神经网络称为反馈式神经网络。反馈式神经网络中存在闭合回路,对网络的学习能力和它的性能有深刻的影响。目前得到广泛研究的反馈式神经网络仅限于最简单的反馈式网络,即只有输出层神经元与输入层神经元之间存在反馈连接。文章采用前向式神经网络的网络结构。4学习过程对于神经网络具有首要意义的性质是网络能从环境中学习的能力,并通过学习改善其行为。学习是一个过程,通过这个过程神经网络的自由参数在其嵌入的环境的激励过程之下得到调整。学习的类型由参数改变的方法决定。建议解决学习问题的一个恰当定义的规则集合称为学习算法。神经网络 西南交通大学硕士研究生学位论文第34页的设计没有唯一的学习算法。然而,我们有由不同学习算法表示的一组工具,每一个有它自己的优势。最早的学习算法是由心理学家Hebb提出的,称为Hebb学习规则。Hebb学习规则的基本思想是:如果神经元xi接收来自另一神经元Xi的输出,那么,如果两个神经元都高度兴奋,则从uj到Ui的权值wii将得到加强。几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形。从大的方面来说,学习算法可分为两类:有监督(有导师)的学习算法和无监督(无导师)的学习算法。对于有监督的学习算法,学习和应用是分开的两个过程。学习过程是一个外加的对神经网络的连接强度进行系统调整的过程,而应用过程则是一个自治的动力学过程。通俗的说,这种神经网络就是“先学习,再使用”。文章中使用BP网络就是有导师的学习算法。5应用利用样本模式,通过某种学习算法选定权值后,就可以向网络输入其它模式向量,得到相应的输出,从而完成逼近任务和计算功能也就是运行速度的预测。更为具体的实现过程和算法在弹性BP网络详细算法部分给出。3.4弹性BP算法虽然基本BP网络改进程序使BP网络的研究与应用达到了实用的阶段,这给研究者和应用者带来了很大的鼓舞,但是应用基于最速下降法的BP算法改进技术实现的基本BP网络改进程序,在网络训练阶段,当网络误差下降到一定精度时,训练的收敛速度也会很慢,而且达到几乎停滞不前的程度。这主要由两个原因造成,一个是应用最速下降法,使网络误差对网络权值或偏差的梯度不断减小,当梯度小到~定程度,导致网络权值或偏差的修正值也很小,从而改进算法对网络的调整能力不断减小,最后导致上述现象的发生。另一个原因是,当网络误差下降到一定精度时,误差函数曲面变得很陡峭,曲率很大,当网络误差的下降轨迹到达包含极小点的“窄谷”时,学习速率的调整有时会赶不上误差函数曲面的变化,从而导致学习速率相对地大了,这时,算法不是稳定地收敛了,而是开始发散,从而导致网络训练不能成功。为了克服基本BP网络改进程序的上述局限性,我们采用一种快速算法一—弹性BP算法,对网络的权值和偏差进行修正。 西南交通大学硕士研究生学位论文第35页3.4.1弹性BP算法原理1993年,德国的MartinRiedmiller和HeimichBraun发表论文“ADirectadaptivemethodforfasterbackpropagationlearning:TheRPROPalgorithm”提出了ResilientBackpropagation(简称RPROP)算法,又称为弹性BP算法,它是一种在多层前向网络训练中实现批处理有导师学习的局部自适应学习算法。这里我们主要参考了袁曾任的叙述来说明弹性BP算法原理【卯l。基本BP算法及其改进算法,应用误差函数对网络权值或偏差的偏导数来调整网络,如下面两式所示:‘jF嵋o+1)。嵋(f)+撕(f+1)。嘭o)一卵亏薏,(3—21)3F巧O+1)-bf(O+AW(f+1)-Ⅳ(f)一,70兰},r一1,2,⋯,R,(3--22)吗随着网络误差的下降,误差对权值或偏差的偏导数也不断减小,当网络误差下降到一定精度时,偏导数也减小到一定程度,导致权值或偏差的修正值也很小,从而算法对网络的调整能力不断减小,最后网络的调整达到几乎停滞的地步。用误差函数对网络权值或偏差的偏导数的大小来调整网络,这是基本BP算法及其改进算法的固有局限性。弹性BP算法另辟蹊径,抛开偏导数的大小,而采用偏导数的符号所带来的网络训练信息来调整网络,从而避开了基本BP算法的固有局限性。弹性BP算法不用误差函数对网络权值或偏差的偏导数来调整网络,也不用学习速率来调整网络,而是另外设置一个“权更新值厶”来调整网络,网络的权值的修正值AW由权更新值A计算。为了叙述方便,以BP网络中某一权值M,的训练为例,来说明弹性BP算法的网络权值或偏差修正过程,AM;的计算公式为: 西南交通大学硕士研究生学位论文第36页△瞄’一一△∥+Ag’0掣,0)毗(二a-E(一t)《o)(3—23)鸭(其他)弹性BP算法应用批处理训练方式,旦墨竺是第t次训练时训练集的所有%模式的梯度的累加和信息。公式3—23说明了弹性BP算法的网络权值调整原理,对下式:瞄’一瞄棚+矗瞄’(3—24)如果误差函数对网络权值偏导数为正数,说明网络误差增大,那么,网络权值应该减小,因此,权值修正值Aw取一A;反之,如果偏导数为负数,说明网络误差减小,那么,网络权值应该增大,则修正值△Ⅳ取+△。有一种特殊情况,如果前后两次训练的误差函数对网络权值偏导数改变符号,说明前一次训练的网络权值调整太大,使—aE{—t-1)—aE—(t)《O,(3--25X)一一《U,,%^~一■,从而导致某个极小值点=:二一一0被丢失,则前一次训练的权值的修正值峨应该恢复,即吣乙删~髁等×筹砒(3--26)由于“回溯”权步,偏导数被认为在下一步内一次改变它的符号。为了避免更新值的双重惩罚,在那里,随后的这一步应该是更新值的不修改。实际上,这能通过酏的修改删设置等-0就权更新值△,根据前后两次训练产生的局部的误差函数E上的梯度信息, 西南交通大学硕士研究生学位论文第37页进行与符号相关的自适应学习更新,其更新公式为:△2J一叩+叫’(箐×彳OE(oo)叼一×A∥(aE%(t-t’。×瓦aE(Oto)(3—27)衅哪(其他)其中,Oo)峨’‘可>o)嚼×詈t∞呵。可删(其它)②权更新值△≯’最大值限制处理:缒¨·min(A:Y),△。)③计算权值嵋的修正值A嵋A≯一一&2妒+A:们0即f1sign(x)一{一1【0(娑,0)、喇。甓co,(其它)O,o)Oco)(其它) 西南交通大学硕士研究生学位论文第45页硝一切㈤喵2{f)④求第epoch次训练修正后的嵋嵋∞I噔哪+A≯其中t=epoch,同理修正网络中各层所有的权值、偏差。(12)epoch=epoch+l如果epoch≤MAX_EPOCH,转到(4),否则,转至U03)。(13)输出处理:①如果MSE‘£则,输出:讳乞,醵,,吆,,《。,训练次数epoch,训练最小误差入MSE,每次训练误差记录En。。。,并提示:训练达到日标误差要求!返回H色,如,-眨。,圮。,的结果,并返回训练次数Nepoch,训练最小误差MinError,每次训练误差记录En。。M。请参考分析,选择最佳网络!②如果MSE>£则,输出:训练次数MAXEPOCH训练最小误差MinError,每次训练误差记录En。。。。。并提示:训练没有达到目标误差要求!返回训练次数MAXEPOCH, 西南交通大学硕士研究生学位论文第46页训练最小误差MinError,每次训练误差记录,请参照分析,参考下列方案再次训练11.增加最大训练次数,2.增加隐含层节点数,3.改变权值、偏差的初始值。(14)结束3.BP网络仿真算法应用训练好的BP网络,输入仿真样本数据,然后应用BP网络仿真。BP网络仿真的详细算法是:(1)输入参数:①仿真输入样本为q个,每个样本数据含n个变量,仿真输入样本数据矩阵邑。-瓴,而,⋯,‘);②三层BP网络结构:输入层神经元节点数11,隐含层神经元节点数S,神经元激活函数,?(·),J一1,2’⋯,s,权值矩阵矸生,偏差向量蝴,输出层神经元节点数m,神经元激活函数片(·),k一1,2,⋯,m,权值矩阵吃,偏差向量配。,;(2)计算q个仿真输入样本数据的网络输出:①P=1。②计算各层神经元输出:输入层:%0一%,i—L2,.--,n,隐含层: 西南交通大学硕士研究生学位论文第47页z1加一Z孵x咒)+6;,),≥一片(毛),J一1'2,⋯,J,输出层:礞·芝峨×),厣1,+%2,J’■y;-尼(z0),露一1,2,⋯,m,③p=p+l如果p≤q,则转到(2.2);否则,转到(3)。(3)输出仿真结果:芘,k-L2,to#om。(4)结束。3.5注意事项和存在的问题BP算法存在的问题【59l【删[61】1.存在不少局部最小点在某些权初值条件下,算法的结果会陷入局部最小。由于存在一些平坦地区,在此区域内误差的改变很小,造成网络完全不能得到训练。一般来说,希望初值权较小,以便使每个神经元的状态值接近于零,这样可以保证在一开始时不会落到平坦区上。2.学习算法的收敛速度慢尽管已经证明了BP网络训练算法的收敛性,但是是以假设无限小的加权调节阶距n。实际上这是不可能的,因为这就表示需要无限的训练时间。在实际中必须选定一个有限的阶距大小,一般T1取值为0.01~1,具体取值大小根据经验和实验来确定。若T1取值太小,收敛可能很慢;若t1选得太大,又可能出现振荡现象而无法收敛或者学习过程停顿。所以,学习过程的速率T1的选择是学习算法收敛速度的关键因素之一。3:隐含层节点个数选取困难隐含层节点个数选取与问题的要求、输入输出单元的多少都有直接的关 西南交通大学硕士研究生学位论文第48页系。但是其选择尚无统一而完整的理论指导,一般用试算来确定。3.6评价标准的选择Lama等人提出以设计速度和运行速度差值作为评价设计线形的标准【151,如表3.1:表3-1线形评价标准之一好%一%s10km/h由10km/h<屹一Ks20km/h差%一%>20km/hLatun等人提出另一个直线和紧接的圆曲线的线形评价标准【15】,如表3.2:表3.2线形评价标准之二好△%≤10km/h中10km/h‘△%j20km/h差A%>20km/h目前,这两个标准被广泛的应用,据此进行设计线形评价。文章也使用这两个评价标准进行评价。3.7公路线形评价模型综上所述,建立如下的公路线形评价模型流程图: 西南交通大学硕士研究生学位论文第49页 西南交通大学硕士研究生学位论文第50页第4章在MATLAB中编制程序实现运行速度预测的功能4.1MATLAB编程工具概述MATLAB软件最初主要用来计算与矩阵有关的数学问题,随着其逐步发展,功能越来越强大,主要的应用领域有数据分析、数值和符号计算、工程与科学绘图、控制系统设计、数字图像信号处理、财务工作、建模、仿真、原型开发、图形用户界面设计等【62】【63l【64l。MATLAB语言被称为第四代计算机语言,具有以下特点:1.编程效率高MATLAB是一种面向科学与工程计算的高级语言,允许用数学形式的语言编写程序,用MATLAB编写程序就犹如在演算纸上排列出公式与求解问题。由于它编写简单,所以编程效率高,易学易懂。2.用户使用方便MATLAB运行时,每输入一条语句,就立即对其进行处理,完成编译、连接和运行的全过程。3.扩充能力好,交互性好4.语句简单,内涵丰富5.高效方便的矩阵和数组运算6.方便的绘图功能和运算显示界面7.移植性开放性好MATLAB软件有专门用于神经网络开发与应用的神经网络工具箱,涵盖了神经网络基本的常用模型,集成了多种学习算法。这使它在神经网络应用方面更为方便。本文采用MATLAB软件来实现运行速度预测。软件运行时的界面如图4.1所示: 西南交通大学硕士研究生学位论文第51页4.2MATLAB编程设计MATLAB神经网络工具箱提供了大部分神经网络应用中所用到的函数和命令。可以方便的建立BP神经网络,并用来进行训练和计算【矧[661[671。1.建立BP神经网络在MATLAB中用newff函数建立BP网络。格式为:net一.ewff(PR'【墨,s2⋯&】,{珥,珥⋯盯},BTF)(4--1)net为生成的BP网络对象。其中,PR表示R维输入矢量中每维输入的最小值与最大值之间的范围;若神经网络具有N层,则【S,最,⋯,&】中各元素分别表示各层神经元的数目;枉E,zE,⋯,zF}中各元素分别表示各层神经元采用的传递函数;BTF表示神经网络训练时所使用的训练函数。newff在生成BP网络的同时即对网络各层的权值和阈值自动进行了初始化,这种初始化为缺省初始化,即将网络中的线性神经元层的权矩阵和阈值 西南交通大学硕士研究生学位论文第52页向量赋以【·1,1】之间的随机数。2.数据归一化处理在MATLAB中,输入样本程序以矩阵的形式,可以在MATLAB下直观输入,比较容易实现。这些数据都是在实际中得到的原始数据,原始样本中,各向量的数量级有一定差别,为计算方便及防止部分神经元达到过饱和状态,在研究中对样本的输入进行归一化处理。利用MATLAB可以很方便的实现向量的归一化,这里将样本数据都归一化到区间【o’1】之间。具体代码为:P=【1。;t=【】’;fori=l:xp0,:)=0啦,:)一rain(p(i,:)))/(m瓿似i,:))-min(p(i,:)));erId:fori=l:yt(i,:)=(t(i,:)-min(t(i,:)))/l,m掘(t(j’:))-min(t(i,:)));end:3.网络训练函数的选择在选择网络训练函数时,考虑到样本容量有限,BP网络传统的算法又有一定的局限,因此考虑用改进的BP网络训练算法。常用的训练函数中,Lxvenberg-MarquardtBP训练函数trainlm收敛速度很快,能以很少的步数达到要求的精度,但是这种训练函数计算需要占用大量内存,耗费系统资源较多,且在输出精度上与其他函数比并没有优越性,所以不采用Levenberg-MarquardtBP训练函数。在改进的BP网络算法中,自适应IrBP的梯度递减训练函数trainda和动量及自适应IrBP的梯度递减训练函数traingdx由于有自适应的梯度递减训练和附加动量项,因此对样本容量有限的问题能够较好的训练,避免收敛速度慢,而且函数traingdx由于有附加动量项和自适应学习速率,能够避免陷入局部极小值而出错,训练精度也较高,因此BP神经网络选用函数traindx作为训练函数。4.隐单元数目的确定由于输入层有9个神经元,输出层有1个神经元,中间层的神经元数目可以由此基础上逐步确定。由Kolmogorov定理可知,一个三层的神经网络可 西南交通大学硕士研究生学位论文第53页以以任意精度完成任意il维到m维的映射,因此,网络中问层设为一层。而中间层神经元数目的确定是一个比较复杂的问题,并不存在一个理想的解析式来确定。隐单元的数目与问题的要求、输入输出单元的数目都有直接的关系。数目太多会导致学习时间过长,误差不一定最佳,也会导致容错性差,不能识别以前没有看到的样本。因此一定存在一个最佳的隐单元数。,以下三个公式可作为选择最佳隐单元数时的参考公式:善◇量一一l092刀式中,k一样本数;Ni一隐单元数;n一输入单元数;m一输出单元数;(4—2)(4—3)(4—4)a—r1,10]之间的常数。除去前述的三个公式可以参考来大致确定隐单元的数目外,还有一种途径可以用于确定因单元的数目。首先使隐单元数目可交,或者放入足够多的隐单元,通过学习将那必不起作用的隐单元剔除,直到不可收缩为止。同样,也可以在开始时放入比较少的神经元,学习到一定次数后,如果不成功则再增加隐单元的数目,直到达到比较合理的隐单元数目为止。将这两种方法结合,来确定隐单元数目。首先由参考公式可知,大约的隐单元数在13左右,为此可以设定循环,检验隐单元数为11~20之间的取值时,何时网络的效率比较高,输出误差比较小。对比训练时的误差和效果,从而确定合理的隐单元数目,具体代码如下:thrcshold=[O1;01】;N0=[11,12,13,14,15,16,17,18,19,20]Fori--l:lOnet=newff(threshold,【No[i],1】,{ftansig','logsig’),’trainlm'): 西南交通大学硕士研究生学位论文第54页果%训练次数为100013,训练目标为0.0001,学习速率为0.1net.trainParam.epochs=10000;net.trainParam.goal=O.0001;LP.Ir=O.1:net--train(net,ED;end:通过训练可以得到在隐单元数为11.20时的训练状况和误差,部分训练结如图4.2、图4.3和图4-4所示。图4—2隐含层神经元个数为1l时的训练结果 西南交通大学硕士研究生学位论文第55页图4—3隐含层神经元个数为15时的训练结果图4—4隐含层神经元个数为20时的训练结果 西南交通大学硕士研究生学位论文第56页从图中可以明显看出,在隐层神经元数目较小时,网络的性能较差。隐层神经元数目为10时,经过797次训练后,能达到要求。而隐层数目为15和20时,分别训练了213次和89次,就达到了所设定的目标误差。经过试验,当隐含层神经元个数大于20时,虽然能够达到设定的目标误差,但增加神经元个数并不能明显改善网络的性能,甚至所需的训练次数还要增加,而且增加神经元个数也会造成网络负担增加,因此,确定隐层神经元数目为20。建立神经网络进行训练的部分代码为:P2【】’;t=【】’;fori=l:xp(i,:)=◇(i,:)-miami,:))叭m觚(p(i,:))-min(p(i,:)));end;fori=l:yt(i,:)=(t(i,:)-min00,:)))/(m强(t(i,:))-min(t(i,:)));end;threshold=[01;0l】;No=[1l,12,13,14,15,16,17,18,19,20];Fori=1:10net=newff(threshold,【No[i],1】'{'tansig','logsig’),’trainlmg;%训练次数为10000,训练目标为0.0001,学习速率为0.1net.trainParam.epochs=10000:net.trainParam.goal=O.0001:LP.1r--O.1:net=train(net,P'n;end;5.BP神经网络训练结果有前述确定好了BP神经网络模型,以样本中的一组数据对训练好的网络进行训练,训练过程输出为图4—5: TR^I腿置"rR^.TNLtn沮INLtTR^I皿也TR^IllL凰71U.INMI[,Tlc^Im.IJTlc^I矾K图4—5BP神经网络训练过程图Epoch0/10000,IISE0.i21677/0.0001,fradient8.45754/l。-010Epoch25/10000,I靶0.00285905/0.0001,Gradient0.209685/18-010Epoch50/1000叽ISE0.0015815I/0.0001,Gradient0.0185重1.4/1e.-010Epoch75/10000,i[SE0.00115205/0.0001,Cradient0.0824623/1e-OlOEpoch100/10000,I[SE0.000378144/0.0001,Gradient0.135764/1e-010Epoch125/10000,I锺0.000147869/0.000I,Gradien't0.0657008/le一010Epoch133/10000JHsE9.76603e-005/0.0001.C,radient0.0865032/1e-010PerforlmlcegoaZLet.图4—6BP神经网络训练过程结果输出从上面看出,网络训练结果经过133步迭代达到要求。输入5个测试向量,实际输出为:Y=0.49130.54530.56790.47810.6049实际输出与目标输出的误差如表4—1所示。可以看到,测试数据的输出误差值较小,平均误差约为O.004,在这样的样本数量下,这个精度是完全可以接受的,因此该BP神经网络模型可以用来进行较为精确的运行速度预测。 西南交通大学硕士研究生学位论文第58页表4—1BP神经网络输出误差目标输出实际输出误差0.50000.4913O.00870.54550.5453O.0002o.5682o.5679O。00030.47730.47810.00080.59090.6049O.01404.3神经网络模型的泛化能力泛化能力是指神经网络对不在训练集中的样本仍能正确处理的能力,是指神经网络对新鲜样本的适应能力。通常期望经训练样本训练好的网络具有较强的泛化能力,也就是对新输入给出合理响应的能力;也就是说,网络的学习不是单纯的记忆已学习的输入,而是通过训练样本学习到隐层在样本的有关环境本身的内在规律性,从而对未来的输入也能给出正确的反应。1.影响泛化能力的因素人们已经发现许多影响泛化能力的因素,这些因素包括神经网络的结构复杂性、训练样本的数量和质量、初始权值、学习时间、目标规则的复杂性、对目标规则的先验知识等,但除了网络结构和训练样本数对泛化能力的影响已有一些定量的结果外,其余因素对泛化能力的影响还只有定性的解释。由于影响神经网络泛化能力的主要因素是神经网络的结构复杂性和样本复杂性,所以是泛化理论的核心问题。2.对神经网络泛化能力的研究相关成果:(1)神经网络结构设计的最简原则:要使一个神经网络达到给定的泛化能力,必须使神经网络的结构复杂性与训练样木数匹配.我们的选择只能是,要么增加训练样本,要么减小神经网络规模。(2)样本质量指训练样本分布反映总体分布的程度,或者说整个训练样本集所提供的信息量。尽管样本质量对神经网络的泛化能力有相当大的影响,但定量分析样本质量对泛化能力的影响却是一个非常困难的课题。研究发现,训练集对泛化能力的影响甚至超过网络结构对泛化能力的影响。所以,改进训练样本质量,也是改善神经网络泛化能力的一个重要方法。(3)改变初始权值和训练学习时间,以便达到最佳的泛化效果。 西南交通大学硕士研究生学位论文第59页(4)选择神经网络的泛化方法,最多的是神经网络的结构设计方法,它包括剪枝算法、构造算法及进化算法等。除了结构设计,其余泛化方法还有主动学习、最优停止、在数据中插入噪声、表决网及提示学习方法等,用这些方法来提高网络的泛化能力。文中,通过新样本仿真实验数据的对比,表现出网络泛化能力不强,有待于进一步研究以提高泛化能力;本文后续的运行速度预测工作,将采用该模型进行运行速度预测,为使结果能够最终输出合理数据,拟采用多次仿真然后对输出结果求平均值。4.4本章小结概述了MATLAB编程工具,并应用MATI.AB软件,编程实现基于神经网络的公路运行速度预测。 西南交通大学硕士研究生学位论文第60页第5章实证分析与程序检验5.1数据采集与处理工作5.1.1数据采集本次数据采集来源为河南安阳市改建工程铁炉至李家厂公路,位于林州市东部,路线呈南北走向,全长12.964公里,横贯2个乡镇。路线起点位于横水镇铁炉村北$301公路路线上,终止于李家厂村西$302公路上,连接东西方向的省道S301、$302公路,是林州市东部重要的县乡道路。公路的主要技术指标:道路等级为三级公路,设计速度30KM/Hl醴l。1.首先根据运行速度预测的指标体系,查阅铁炉至李家厂公路旅工图设计资料,找出预测指标的相关数据:直线的长度、平曲线半径、平曲线长度、缓和曲线长度、竖曲线半径、纵坡度、纵坡坡长、竖曲线长度、路面宽度、路面超高、超高横披度。2.测速仪器介绍:BASIC美国STALKER手持式雷达测速仪性能描述:BASIC型警用雷达分为固定型(STATIONARY)和移动型(MOVING)两种型号。其中移动型(MOVING)包含了固定型的全部功能,并且可以在测量者处于运动状态时进行测量。BASIC美国S1’AI.KER手持式雷达测速仪特点:手持、车载应用、静态、动态模式切换、手动控制、测速范围20.320KMH、测速距离范围1500米、同时显示监测速度、最高车速、巡逻车速以及车速音响警示。图5—1BASIC美国STALKER手持式雷达测速仪 西南交通大学硕士研究生学位论文第61页3.测速方案根据施工图资料,将所要收集的样本列表,上路用BASIC美国STALKER手持式雷达测速仪现场测速。实际采用两次测速:第一次测量者处于静止状态时进行测量,在各个需要测速的线形元素旁,距离100M以上(不干扰车辆运行,不产生驾驶影响),测速3次;第二次,测量者坐在车内,处于运动状态时进行测量,测速一次。总共得到4次运行速度的值,求出平均值即为运行车速。4.数据收集如下表的原始数据如表5—1所示:表5—1原始数据表缓和竖超曲平曲线竖曲曲路高运样本桩号线半纵坡度纵坡线面横行线半径长度径坡长长宽披速长度l【1+139.97704D001139.97120000.04511008862.555K1+184.1625684.7988.39120000.0671908862-545K1+257.1425401.0757.574()000.0672204062.535K1+479.58704I)00193.6528120000.0572258862.543K1+529.57302114.7699.99100000.0572754062.547K1+725.45704000145.89120000.0532008862.546K1+778.742550106.5750000.053250457.2020K1+894.9170400062.88120000.0621208862.525IG+932.73253075.63120000.062160887.4815lc2+374.39704000403.8412000O.0656008862.545K2+437.0650300125.3520000.0741190806246K2+668.05704000168.31120000.1133008862.543K2+735.842565135.5810()0O.113305507.5719l(2+859.9770400056.35120000.0631408862.522l(2+887.24256554.5413000.063160277.2725l(2+977.14704I)0062.63120000.043908862.534l(3+013.02356571.76120000.043126887.2135K3+108.5470400059.64120000.0432218862.541K3+142.53253067.97120000.043255887.4020 西南交通大学硕士研究生学位论文第62页I【3+188.3970371.7923.7512000O.0433018862.525K3+236.1925221.9571.831800O.043350536.4627硒+316.8825211.1189.541aD000.072280886.4632髟4-444.2870400082.63120000.108408862.536l(3+474.2325223.3759.91120000.10870886.4635K3+532.522566.9656.6612000O.108130887.2125K3+675.32704000114.4712000O.031908862.541邸+704.632512058.61400O.03l125206.8740l【3+832.067041)∞98.1212咖O.0831228862.534K3+858.722561.1853.328000.083150377.2725K3+936.4870400051.11120000.129768862.515K4+01225130.95151.021800O.129170886.8111K4+114.8420148.6l54.6712咖0.080485886.8717K4+480.827040()0338.6512000o.0971108862.535K4+517.7925335.9173.9420()0O.097150436234“+581.372556.6753.21120000.076161887.2816K4+626.3970400018.42120000.07611068862.521K4+657。22253061.65120000.0761137887.4815l“+733.9470400045.8912000O.07612138862.521K4+776.09253584.2828000.0761255737.4017K4+846.4270400028.1912000O.05718862.522K4+876.4025315.759.96120000.05101886226K5+058.87704000152.49120000.074838862.534飚4-111.6125105.35105.4755000.074135316.8126酗+194.81253060.94120000.068485887.4815K5+264.2170400038.93120000.0t;841548862.522K5+292.422561.9l56.42100000.0684182887.2721酗+346.582533.4151.9120000.0684236887.4020K5+408.0670400035.52120()00.032188862.524K5+447.303530078.4912000O.0325888627K5+614.66704D00128.11120()oO.0667848862.532硒+640.062510050.812000O.0667110886.8731K5+700.09704咖34.63120000.06671708862.534K5+728.242515056.325000.0667200456.6234K5+807.5l70400051.11120000.049778862.537飚+839.642525064.26120000.049109886.4239K6+074.34704000202.5712000O.051248862.543 西南交通大学硕士研究生学位论文第63页K6+154.6570500160.61120000.0511048862.545lc6+477.71704I瑚242.76120000.024328862.553K6+520.643510085.86120000.02475886.8745K6+628.767041)0065.19120000.024183886.8747K6+675.71356593.9ll000O.024210237.2731K6+803.327040∞80.6545001302562.543K6+828.992564.9951.34120000.05743887.2731K6+888.472547.2467.6212000O.057103887.4030K7+072.81704000150.52120000.0861028862.537K7+099.432558.153.2518000.086135257.2035K7+151.36251∞.150.6120000.091946886.8735K7+202.3425102.0651.36120000.09997886.8734K7+259.9525116.1563.8520000.099160396.8132K7+342.7570400050.8812000O.08778862.535K7+373.7025265.2361.8912000O.08108886237K7+430.6425501.2151.99120000.081658862.538K7+502.8625160.4792.451500O.08240576.6231K7+581.952577.9965.7312000o.04276887130K7+717.657041)00102.83120000.0422128862.537K7+811.7435486.3l188.1712000O.0777618862.535K7+942.6525134.8773.66120000.0777190316.8732K8+018.392540.0277.82120()00.080378887.4825K8+083.6525171.952.750000.0803145356.6226K8+146.672598.5273.3412000O.073361887l24K8+217.9070400034.56120000.07331328862.526黜+243.6125113.8751.41120000.073158886.8125瑚+294.7770400025.4612000O.0732108862.526l(8+325.6225216.761.750000.073240456.4627J(8+428.2670400071.7912000O.08221038862.528K8+454.572510052.6212000O.0822130886.8730黜+561.08704IX日80.19120000.057368862.535K8+600.5325116.1578.91120000.05775886.8736l(8+673.8870400033.89120000.0571508862.537K8+705.13253062.518000.057170337.4O25K8+842.8470400091.11120000.0751478862.530K8+871.662540.4457.6440000.075159.66417.4830K8+924.7970400024.32120000.085548862.529 西南交通大学硕士研究生学位论文第64页K8+960.892535.8972。19120000.08590887.4024l(9+042.3825145.7790.7860000.085180456.8l27K9+117.77704I瑚30.01120000.078678862.533K9+155.8435300.576.12120000.07810588635K9+328.587035050.4212000O.0738862.536K9+380.212563.2252.8415000.073145297.2732K9+478.4870刖)0071.85120000.0728938862.537K9+518.743540080.512000O.0731452762.5鹳+644.43704l咖85.44120000.061681148862.5K9+691.763540094.678000.06681802962.5l(9+789.27704I)0050.17120000.104798862.5秽+817.292530056.0312000O.104107886K9+860.64704I)0015.33120000.1041508862.5K9+890.98256560.686000.t04180337.2l硒+952.5825185.3162.53120000.04862886.62K10+164.33704000180.48120000.0881148862.5K10+195.2525400061.8472000.0881502562.5K10+401.207041)00175.03120000.099718862.5K10+448.543547.7194.686500.099130257.40K10+543.7870400047.912000O.06838862.5K10+575.892520064.2310000.06130256.46K10+680.68704I)0072.6712000O.0849908862.5K10+714.7225350.7l68.07120()o0.08491248862.5K10+784.693531.3871.8960000.0849190517.48K10+892.7470剐)0072.1120000.07661128862.5K10+922.832515060.189000.0766145256.66X11+101.05704000148.1212000o.1051768862.5K11+128.742530055.38120000.105203886K11+220.8425107.02128.811500O.05310796.81K11+306.9770400021.72120000.053968862.5K11+335.492515057.0412000O.053125886.62K11+469.84704000105.8312000O.092698862.5K11+501.42253063.16120()00.092101887.28K11+562.8125127.4259.628000.092160276.81K11+819.11704000226.49120000.0921148862.5K11+8“.64254591.06100000.092165637.48K12+033.33704000123.15120000.0861638862.5 西南交通大学硕士研究生学位论文第65页K12+078.853539.7691.051200O.086190297.4OK12+230.60704000106.23120000.085358862.5K12+277.06256592.92120000.08582887.21l【12+349.53704I)0026.0112000O.0851548862.5K12+377.492540.0955.9212000O.085182887.48l(12+439.7330469.6468.5418000.0852455562.5K12+520.4870400046.4812000O.055808862.5K12+549.6625129.758.3612咖0.055110886.8lK12+630.30701129.1942.2116000.0551903362.5K12+678.192578.0153.57120000.0749548887K12+968.36704I)00263.38120000.074953458862.55.1.2数据归一化下表为归一化后的数据如表5—2所示。表5—2数据归一化表缓和平曲竖曲纵坡竖曲超高样本桩号曲线线半线长线半度坡长线长路面横披运行长度径度径度宽度速度度K1+139.971.00001.铷0i.伽001D000n34881.0000O.羽00o.3125lo∞OK1+184.160.10000.16490.06501.0000O.51940.165l1.00000.O∞0O.31250.77”K1+257.140.10000.09350.03760.31030.51940.19”0.29410.00000.31250.5455K1+479581.00001-00000.15861.00000.44190.19721.00000.0000O.31250.7273K1+529.57o.20000.52510.07530.8276O.4419o-24310.2941o.00000.31250.8182K1+725.451.00000.11611.00000.41090.1743l_00000.0000O.31250.7955K1+778.74O.10000.00500.08110.39660.41090.22020.36760.80000.0000O.2045K1+894.911.00000.04231.00000.4806O.10091.0000O,00000.3125O.3182K1+932.730.10000.00000.05361.00000.48060.1376L00000.93331.O0000.0909K2+374.391.0000I.00000.34551.00000.50390.54131.00000.00000.31250.7727K2+437.060.60000.06800.09780.13790.57440.16510.88240.0000O.25000.7955K2+668.051.0000O.13601.00000.87600.26611.00000.00000.31250.7273K2+735.840.1咖0.0088O.10690.05170.87600.27060.44121.0000O.87500.1818K“859.971.0000鲫B651.00。o0.48840.11931.0000n0000o.3125O.2500K2+887.240.10000.0088O.03490.07760.48840,13760.10290.80000.87500.3182K2+977.141.00000.04211.00000.33330.07341.0000O.0000O.31250.5227K3+013.020.30000.00880.05021.00000.33330.10641.O000O.80000.1250O.5455K3+108。541.00001.000lo0.03941.00000.33330.19361.00000.00000J31250.6818K3+142.530.10000.00000.04681.O咖0.3333O.22481.O0000.93330.00000.2045K3+188.391.00000.08610.00751.00000.33330.26701.0000O.00000.31250.3182 西南交通大学硕士研究生学位论文第66页K3+236.190.10000.04840,0502o.1207o.3333n31190,4853o.2667n75000.3636K3+316.88O.1000O.0456O.06601|00000.55970.06421.00000.2667O.75000.4773K3+444.281.00000.05981.00000.83720.02751.00000.咖00.31250.5682K3+474.230.1咖0.04870.0396L00000.83720.05501.00000.2667O.75000.5455K3+532.520.1咖o.00930.03671.0000O.83720.11011.舢O.80000.12500.3182K3+675.321舢1_00000.08821.O咖O.24030.07341.00000.00000.31250.6818K3+704.630.10000.02270.03850.0000O.2加30.1055O.舢0.5333O.87500.6591K3+832.061.00000.07361.OO∞0.64340.10281.0000O,O∞0O.31250.5227K3+858.72O.10000.00790.03380.03450.64340.1284O.25000.80()00.8750O|3182K3+936.481.00000.03181.00000.06061.00000.00000.31250.0909K“0120.1咖0.02540.12070.1加口1.00000.14681.00000j3330.12500.00∞K“114.84O.伽|000.02990.03501.00000.62330.06881.00000.53330.87500.1364K4+480.821.0000O.28751.00000.7519O.09171.00000.00000.31250.5455K“517.790110000.∞7lO.0521o.1379o.7519&12840.33820.0000o.25000.5227K4+581.370.10000.00670.03371.00000.58990.04681.0000O.800101.00000.1136K4+626.391.00000.00271.00000.58990.08811.0000O.00000r31250.2∞3K4+657.220.10000.00000.04121.0000O.58990.11651.00000.93331.00000.0909K4+733.941.O0001.0000o.02721.0000O,5899o.18621.00000,00000.3125o.2273K4+776.090.10000.00130.06130.20690.58990.22480.77940.93330.00000.1364K4+846.421.00000.01141.00000.38760.05601.00000.0000O_31250.2500K4+876.400.10000.07200.03971.O0000.38760.08351.00000.00000.2500O.3409K5+058.871.00000.12201.00000.57360.06701.00000,00000.3125O,5227K5+111.610.10000.01900.08020.43970.57360.11470.16180.53330.12500.3409K5+194.810.10∞0.0000O.0406L00000.53020.06881.00000.93331.0000O.0909K5+264.211.OO∞1.00000.0210L00000.53020.13211.00000.0000O.3125O.25∞K5+292.42O.1咖0.00800.03651.00000.53020.15781.00000.80000.8750O|2273K5+346.58O.1000O.00D90.03251.0000015302o.20731.0000晓9333O.0000O.2045K5+408.061.00000.01801.00000.24810.00731.00000.00000.31250.2955K5+447.30030000.06800.05621.00000.24810.04401.00000.00000.75000.3636K5+614.661.00000.10031.00000.51710.06791.00000,00000.31250.4773K5+640.06o.1。000.0176O。03151.00000,51710。09171.0000O.53330。8750O.4545K5+700.091.OOoo1.00000.01721.00000.51710.14681.00000.00000.31250.5227K5+728.240.10000.03020.03640.1810O.51710.17430.36760.40000.25000.5227K5+807.511.00000.03181,00000.37980.06151.O0000,00000.3125O.5909K5+839.64O,10000.0554O,04351.00000.37980.090B1r00000.2667O.25000.6364K6+074.341.00000.16651.00000.39530.01281.00000.00000.31250.7273K64-154.651.0000O.11840.12921.0000O_39530.08621.00000,O000O.31250.7727 西南交通大学硕士研究生学位论文第67页K“477.711.0000O。2∞21.0Dooo.18600.0202L00∞O.0DOOo.3125o,9545K6+520.640.30000.01760.06271.0000O.18600.05961.伽|000.53330.87500.7727K6+628.761.00000.04431.∞000.18600.15871.000005333O.87500.8182K6+675.71O.30000.00880.哪O.05170.1860O.18350.04410.8000O.8750O.4545K6+803.321.OO∞1.00000.05810.00430.0000O.11010.073500000O.3125O,7273K6+828.990.1∞O0.0088O.03201.00000.44190.03031.00000.80000.87500.4545K6+888.470.10∞0.00430.O瓠|51.00000.44190.08531.00000.9333O.00000.4318K7+072.811.00000.12021.00000.66670.08441.00000.00000.31250.5909K7+099.43O,10000.00710.03370.12070.66670.11470.07350.8000O.0000O.5455K7+151.36O.1000O.0197伽B141.0000O.76740.03301.00000j3330.8750Oj455K7+2012.340.1∞0O.0182O.03201.00000.76740.07981.00000.53330.87500.5227K7+259.950.10000.0217O.04310.13790.76740.1376O.27940j3330.12500.4773K7+342.75l-00001.嗍0.03161.00000.62020.06151.00000.00000.31250,5455阳+弭30Q0.1000O.Q593O.04141.0嘲0.62020t08991.0000o.琪)00o.2500O.59田K“430.64O.10000.11870.03261.0000O.62020.14221.00∞0.舢O.31250.6136K7+502.86O.10000.03290.06860.蝴0.62020.21100.54410.4000O.25000.4545K7+581.950.10000.01210|o¨8L0000O.3256O.06061.OO∞0.6667O.12500.4318K7+717.651.00001’0D00o.07781.0000Ot3256o.18531.00000。00000.3125O.5909K7+811.740.30000.11490.15371.00000.60230.04681.00000.00000.31250.5455K7+942.650.10000,02640.05191.00000.60230.16510.16180.53330.87500.4773K8+018.390.10000.00250.05561.00000.62250.06241.0000093331.D0000.3182K8+083.65O.10000.03570.03320.39660.62250.1239O.22060.40000.2500O|3加9KS+146.670.10000.01730.05161.00∞0.56820.04681.00000.66670.12500.2955K8+217.901.00000.01711.00000.56820.11191.00000.0000O.3125Or3409l碡+243.6l0.10000.02110.03211.00000.56590.13581.O咖0.53330.12500.3182K8+294.771.OO∞1.00000.OO帅1.O000O.56590.18351.0000000000.3125O|3柏9Ks+325.62O.1000&0470伽412晓3966n5659a2110o.3676a2667O.7500O.3636K8+428.261.00000.05021.00000.63720.08531.00000.00000.31250.3864K“454.570.10000.01760.03321.OoD00.63720.11011.0000Oj3330.87500.4318K8+561.081.0000O.05771.00000.44190.02391.00000.00000|31250.5455K8+600.530.10∞0.0217o.05651.00000,44190。05961,0000053330.87500。5682K8+673.881.00000.01651.00000.44190.12841.0000O.O0000|31250.59呻K8+705.130.10∞0.0000O.04190.1加70.4419O.14680.191209333O.00()o0.3182K8+842.841.00000.06741.00000.58140.12571.00000.00000.31250.4318K8+871.66O.1000O.00260,03760.31030.58140.13730.3088o.93331.00000.4318K8+924.791.0000O肿801‘00000.65890.04041.OooO00000O.31250.4091K8+960.89O.1000O.00150.05061.00000.6589O.07341.00000.9333O.00000.2955 西南交通大学硕士研究生学位论文第68页X9+042.38o.1000O.0292o.06710.4828o.65890.15600.36760j3330t1250o.3636K9+117.771.00000.01311.00000,卸470.05231.00∞0.00000.31250.50∞K9+155.84030000.06810.05411.00000.60470.08721.00∞0.00000.75000.5455K9+328.581r00000.08060.03121.00000.56590.07161.00000.oo∞O.31250_5682K9+380.21O.10000.0084O.0334伽9480,56590.12390.13240.80000.8750O.4773K9+478.481.00001-00000.05031.嗍0.56430.07611.00000.00000.3125Oj909K9+518.740.30∞0.0932O.05800.13790.56590.1239O.10290.00000.3125K9+644.431.O咖1.OO呻0.06231.0000O.51780.09541.00000.0000O.3125K9+691.76O.3咖O.09320.0705O.03450.51780.1560O.13240.o000O.3125K9+7鹋.271.0000O.03101.0000O.8062O.06331.00000.00000.3125K9+817.290.10000.06800.03621.OOooO.80620.衄901.00000,OOOO0.7500K9+860.641.O咖0.00001.00000.80620.12841.00000.00000.3125l(9+890.980.10∞0.00880.04030.叭720.80620.15600.19120.80∞0.1250K9+952.58O.10000.039l0.04201.00()o0.372lo.04771.0000o.4000O.2500K10+164.331.00000.14681.0000O.68220.09541.00000.0000O.3125K10+195.250.1咖1.00000.0414O.58620.68220.12840.07350.00000.3125K10+401.201.00000.14201.00000.76740.05601.00000.00000.3125K10+448.54030000。OD450,07060.02160.76740.11010.07350。93330.0000K10+543.781.舢1.00000.02901.00000.46510.06701.00000.00000.3125K10+575.89O.1咖0.04280.04350.0517O.465l0.11010.07350.2667O.7500K10+680.681.00000.05101.00000.65810.07341.00000,00000.3125K10+714.72O.10000.08080.04691.OOOOO.65810.10461.00000,O0000t3125K10+784.690.30000.O∞30.05030.48280.65810.16510.45590.93331.0000K10+892.741.00001.00(Ⅺ0.05051.00000.59380.09361.00000.00000.3125K10+922.830.10000.03020.0399O.0431O.59380.12390.07350.40∞0.7500K114101.051.00000.11811.00000.8140O.15231.00000.00000.3125K11+128.74n10000.06800.0356l姗O.81柏o.1”11.0000氆00000.7500K11+220.840.1000O.0194O.10090.09480.41090.00000.86760.53330.1250K11+306.971.00001.O0000.00571.伽000.41090.0789lr00000.OOOO0.3125K11+335.490.1ⅨⅪ0.03020.03711.00000.41090.10551.00000.40000.2500K11+469.841。0000O。08051.0000O.7132o.05411.0000O.0000o.3125K11+501.420.10000.00000.04251.00000.71320.08351.00000.80001.0000K11+562.810.10000.02450.03940.03450.71320.13760.10290.53330.1250K11+819.111.00000.1878L00000.71320.09541.00000.00000.3125K11+864.64O.1000O.0D380.06730.82760.7132O.14220.63240.9333L0000K12+033.331.00000.0959l00000.66670.14041.00000.O咖0.3125K12+078.850.30000.00250.06730.06900.66670.16510.13240.93330.0000 西南交通大学硕士研究生学位论文第69页K12+230。印l舢1.o∞OO,08081.OO∞o.fr5890.02291,00000舢0.3125K12+277.060.10000.0088O.06901.00000.65890.06611.00000.80000.1250K12+349.531.00000.∞951.00000.65890.13211.0000O.00000t3125K12+377.490.1000O.00250.036l1.00000.65890.15781.00000,93331.0000K12+439.73O.20000.1107O.04730.12070.65890.21560。51470.OOOO0.3125K12+520.481.00000.02771.00000.42640.0642L00000.0000O.3125K12+549.660.10(m0.02510.03831.00000.42“0.09171.00000,53330.1250K12+630.30lt00000.2769O.02390.10340.4264O.16510.19120.00000.3125K12+678.190.10000.0121O.03401.00000.58100.03491.00000.66670.8750K12+968.361.00001.O∞OO.22061.00000.58100.30731.00000.OO∞O.31255.2程序检验与仿真根据第四章设计的基于M棚AB网络模型,将上表前100个样本作为训练样本,后41个作为仿真样本,通过MATLAB网络模型预测后41个样本的运行速度。仿真预测运行速度10次,并将预测结果求平均值,然后将数据归一化还原,得到表5—3所示数据:5—3归一化还原得到运行速度预测结果:里程桩号输出结果运行速度里程桩号输出结果运行速度K9+518.74O.500033K11+220.840.204520K9+644.43O.727343K11+306.970.318225K9+691.760.545535K11+335.490.272723l(9+789.270.681841K11+469.840.568236硒+817.29O.545535K11+501.420.090915鼬+860.64o.568236K11+562。81O.136417K9+890.980.136417K11+819.110.909151K9+952.580.181819K11+864.640.加4520K10+164_330.795546K12+033_330.363627K10+195.25O.772745K12+078.850.113616K10+401.200.931852K12+230.600.522734K10+448.540.136417K12+277.060.204520K10+543.78O.318225K12+349.530.272723K10+575.890.272723K12+377.490.113616K10+680.680.477332K12+439.73O.204520K10+714.720.454531K12+520.480.431830K10+784.690.181819K12+549.660.318225 西南交通大学硕士研究生学位论文第70页K10+892.74o.431830K12+630.300.363627K10+922.830.318225K12+678.190.477332K11+101.050.59lD937K12+968.36O.886450K11+128.74¨682365.3线形评价根据第三章的评价标准,得出表5—4评价结果:表5~4评价结果10<差值综合评价里程桩号运行速度k—vd}炒。}差值<10差fii>20《20结果酗+518-74333OY,Y好l(9+644.43431310Y,Y中K9+691.763558Y。好Kg+789.2741116Y好l(9+817.293556Y,Y好l(9+860.643661Y,Y好硒+890.98171319Y,Y中K9+952.58191l2Y好K10+164.3346161Y中K10+195.2545151Y好K10+401.2052227Y由K10+448.54171335Y差K10+543.782558Y,Y好K10+575.892372Y,Y好l【10+680.683229Y,Y好K10+714.72311Y,Y好K10+784.69191112Y,Y由K10+892.7430O11Y好K10+922.83255Y,Y好K11+101,0537712Y好K11+128.74366lY,Y好K11+220.84201016Y。Y中K11+306.97255Y,Y好K11+335.492372Y,Y好K11+469.8436613Y好K11+501.421521Y差K11+562.8117132Y好 西南交通大学硕士研究生学位论文第71页Ⅺ1+819.11512134Y,Y差K11+864.64201031Y由K12+033.332737Y,Y好K12+078.85161411Y,Y中K12+230.6034418Y好l【12+277.06201014Y,Y中K12+349.532373Y,Y好Ⅺ2+377.4916147Y好K12+439.7320104Y好K12+520.4830O10Y好Ⅺ2+549.66255Y,Y好K12+630.302732Y,Y好K12+678.193225Y,Y好Ⅺ2+968.36502018Y中(注:上表中如果k一屹I和I加。I都小于10,评价结果为好;如果I‰一屹l或者I缸。l有一个小于10,一个大于10而且小于20,评价结果为好;如果I%一屹I或者J曲gI有一个小于lo,一个大于20,评价结果为中;如果I%-vdJ和l船。I都大于10而且小于20,评价结果为中:如果k—vdI或者I血稻I有一个大于10而小于20,一个大于20,评价结果为差;如果l‰一屹l和IAv口I都大于20,评价结果为差。表中“Y”的意义为:若I%一叱I、IAv。l满足相应的差值条件,则在对应单元格内打上“Y”。)5.4线形评价的结果分析从上表中,可以看出里程桩号K10+164.33、K11+819.11、K11+501.42、K11+819.11处的线形评价结果为差,说明这几处路段线形设计上存在问题。对照设计资料,查找原因如表5—5:表5—5线形评价的结果分析里程桩号线形存在问题纵坡很小的长直线后端接小半径急弯曲线,竖曲线太小,曲K10+448.54线处视距不良K11+501.42长直线后端接小半径急弯曲线长直线后端接小半径急弯曲线,平纵曲线组合不合理,曲线K11+819.11转弯处纵坡太大对实例路段的评价结果证明了用BP神经网络进行线形评价是可行的,能 西南交通大学硕士研究生学位论文第72页够以设定的评价指标量进行合理的评价,并且得出的结论与实际情况相符。网络训练误差,即实际输出与目标输出的误差较小。从第四章网络训练结果输出可以看到,测试数据的输出误差值较小,平均误差约为0.004,在这样的样本数量下,这个精度是完全可以接受的。那么,BP神经网络模型可以用来较为精确的进行运行速度预测。泛化能力是指神经网络对不在训练集中的样本仍能正确处理的能力,是指神经网络对新鲜样本的适应能力。通常期望经训练样本训练好的网络具有较强的泛化能力,也就是对新输入给出合理响应的能力。文中,将训练好的网络模型用于新样本的运行速度预测,然后结合评价指标进行线形的评价,找出线形组合存在问题的路段,对比道路设计资料,分析原因,找出症结。通过这个环节,一方面证实模型的可行性,预测结果显示,网络具有一定的泛化能力;另一方面,找出了道路线形存在的潜在问题,便于改进和完善的工作。 西南交通大学硕士研究生学位论文第73页结论1.取得的成绩(1)通过对运行速度预测研究现状的介绍和分析,建立了用于预测线形元素上运行速度的指标体系,并对于指标体系作出数据处理以及相关假设;(2)构建基于人工神经网络的运行速度预测模型。详细介绍了BP神经网络理论及算法,弹性BP算法原理及其详细算法;选择用以评价线形的评价标准,给出基于人工神经网络的运行速度预测模型的流程图。(3)运用MATLAB软件,编程实现运行速度预测。通过实例进行检验,结果表明:所提出的公路线形评价方法是可行的。2.存在的问题(1)评价指标还不够完善,可以将线形组合是否合理、路面状况指标等加入进去,以更为仔细地反应道路状态;(2)样本的选择,要通过反复试验,找出最佳的样本进行训练,才能保证模型具有很好的泛化能力。(3)选择和完善算法结构,提高该模型的泛化能力。3。展望在研究过程中,通过查阅资料、统计调查数据等得出了交通安全评价模型和方法,但由于这类安全评价方法的研究比较少,因此在参考资料和方法上可借鉴的不多,加之数据资料和本人水平所限,论文中必然存在很多不足之处,因此,对迸一步的广泛研究提出以下建议:(1)预测运行速度的指标是一个很重要的因素,由于时间和资料所限,本文提出的预测指标还不够完善和细化,在今后的研究中可根据更详细的资料和进一步的研究成果完善这些指标。(2)样本数据是BP神经网络训练的必要因素,在很大程度上决定了网络的性能和精确度,在今后的研究中,可以进一步完善样本数据,使网络的评价更精确,性能得到提高。(3)BP神经网络的改进算法能解决收敛速度慢、易陷入局部极小的问题,要进一步提高网络效率和精度,提高泛化能力,以求获得更优的方法, 西南交通大学硕士研究生学位论文第74页就要进行更进一步的理论研究和实验。(4)基于人工神经网络的道路线形评价还可以应用于道路修建之前的安全性预评价,从而提出道路线形方面的建议。另外,对该模型的输出量进行调整,还可以应用于交通事故预测、事故多发路段判定、交通事故黑点排查等方面。(5)结合道路设计软件,开发出道路线形评价程序,对于当前设计的项目可以进行实时评价和互动修改。 西南交通大学硕士研究生学位论文第75页致谢本论文是在导师帅斌的悉心指导下完成的。从选题到题目的确立、内容的构思到最后的修改定稿,均得到了帅斌教授的谆谆教诲和亲切关怀,倾注了导师大量的心血,导师严谨的治学态度、高度的综合能力和系统观为本论文的选题指明了方向并用他渊博的理论和丰富的实践经验指导作者的硕士论文顺利完成。深切感谢导师在我攻读硕士学位期间给予的勉励、支持和帮助,为我提供了良好的工作环境和科研条件得以完成论文的写作。谨在此向导师致以衷心的感谢和敬意。同时衷心感谢交通运输学院各位老师在我研究生学习期间的悉心教育和指导。各位老师和教授一丝不苟的学术风格和诲人不倦的崇高师德深刻地影响着我,论文的许多观点和思路也得益于听课或者学术讲座受到的启发和指教。感谢家人在我求学道路上一贯的默默支持。 西南交通大学硕士研究生学位论文第76页参考文献【1】公安部举行发布会通报05年全国道路交通安全情况,中央政府门户网www.gov.cn【2】张雨化主编.道路勘测设计【M】.人民交通出版社,1997【3】范振宇,张剑飞.运行车速概念及在我国线形设计中的应用研究m.山西交通科技.2001,(2):8~加【4】陈胜营,张剑飞,汪亚干.运行车速与道路设计【J】.公路,1998,(11):40~43【5】粱复,郭忠印,方守恩.道路线形与道路安全性关系的统计分析【J】.同济大学学报.2002:203~206【6】刘开生,公路平面线形的连续性及评定方法【J】.中国公路学报.1992.15(3):28~35阴IHT.GuidelinestoRoadSafetyAudit.IHT.1991【8】8AUSTROADS.RoadSafetyAudit(SecondEdition2002)fJ】.StandardsAustralia,2002【9】9AASHTO.HighwaySafetyDesignandOperationsGuideAASHTO[J].1997【tolAASHTO.StrategicHighwaySafetyPlan.http://Safety.transportation.org.【lllW.杜尔博士.景天然编译.联邦德国道路设计【M】.人民交通出版社,1987.【12]Gather,N⋯JandR.Gadiraju.FactorsAffectingSpeedVarianceandItsInfluenceonAccidents.InTransportationResearchRecord1213,TRBNationalResearchCouncil【J].Washington,D.C.,1989.【13]Kratmnes,R.ADesignSpeedandOperatingSpeedinRuralHighwayAligmnentDesign.Paperpresentedatthe73rdAnnualMeetingoftheTransportationResearchBoard[J].Washington,D.v.,C1994.【14]Craus,J.,andM.Livueh.SuperelevationandCurvatureofHorizontalCurves.InTransportationResearchRecord685,TRB,NationalResearchCouncil[J].Washington,D.C.,1978,pp:7-13.【15]R.Lamn,Al(.Guenther,andE.M.Choueri.SafetyModuleforHighway 西南交通大学硕士研究生学位论文第77页Design:AppliedManuallyorUsingCAD.PaperPresentedalthe71stAnnualMeetingoftheTransportationResearchBoard[J].Washington,DC.January1992【16】云俊.物流园区预测方法及应用研究【J】.2003.6【17]杨天军等.基于BP神经网络的城市道路交通安全评价研究(J】.中国矿业大学学报.2005,1【18]厉建远等.人工神经网络在运行车速预测中的应用【J】.重庆交通学院学报.2006,8【19】李相勇等.道路交通安全综合评价的人工神经网络方法【J】.西南交通大学学报.2006,8【20]苏金明等编著.MATLAB7.0实用指南【M】.电子工业出版社【21]杨建刚编著.人工神经网络实用教程【M】.浙江大学出版社【22】刘玉增,王洪明编著.道路交通事故学【M】.四川大学出版社.2005,(9):22~23123]刘运通编著.道路交通安全指南【M】.人民交通出版社.2004,(7):18~19【24]钟连德等.高速公路大、小车速度差与事故率关系研究【J】.中国科技论文在线【25]潘兵宏,许金良,杨少伟,杨宏志.公路三维建模应用研究.西安公路交通大学学报,2001,21(1),49~51【26]张雨化主编.公路勘测设计(第二版).北京:人民交通出版社,1980,63~66【27]杨少伟,许金良,杨宏志.考虑平、纵、横三方面关系的横向加速度变化率冲国公路学报,1999,100),12~16【28]杨少伟,许金良,杨宏志,潘兵宏.横向加速度变化率在公路设计中的控制和评价.西安公路交通大学学报,2001,(1),46~48【29]Baykal0.ConceptofLateralChangeOfAcceleration-JournalofSurveyingEngineenng.ASCE,1996,122(3)f30]BaykalO,TadE,Coskunz,SahinM.NewTransitionCurveJoiningTwoStraightLine.JournalofTranspoftationEngineering.ASCE,1997,123(5)【31】范振宇,张剑飞.运行车速概念及在我国线形设计中的应用研究.山西交通科技,2001,(2),8~10 西南交通大学硕士研究生学位论文第78页【32]崔洪军,魏连雨,朱敏清,王亮.公路平面设计中有关问题的探讨.中国公路学报,2002,(1),22~25[331杨少伟,许金良,李伟,陈军.路线设计中车辆行驶速度预测模型.长安大学学报(自然版),2003(3),51~551341李伟.公路路线一汽车运行响应模型的研究.长安大学硕士学位论文,2002.4【35】邹健.浅论道路线形设计对交通安全的影响及改善措施.公路,2002.12(6).42~47136]张映雪.道路平面线形对交通事故的影响.公路与汽运.2002.12(6).38~39【37]万国朝编译.公路设计特征的安全效果.公路,1995,(4).28~33【38]贺玉龙,卢仲贤,马国雄,刘小明,任福田.高速公路直线段车辆稳定运行速度模型.公路,2002.(10),99~103【39]FederalHighwayAdminstration‘InteractiveHighwaySafetyDesignModeI(IHSDM).Washington,D.C.1995[401黄进,方守恩.交互式道路安全设计模型1HSDM与事故预侧模型AIM,交通与计算机,2002(5).32~35[411华人民共和国交通部部标准《公路工程技术标准》【S】(JTJ01.88)【42]杨少伟.运行速度与公路线形设计方法研究【D】.长安大学博士论文.2004,28~36143]范振宇.公路运行车速测算模型的研究和标定.山西交通科技,2001.(6).1~3|“】裴玉龙,程国柱.高速公路车速离散性与交通事故的关系及车速管理研究【J】.中国公路学报,2004,17(1):74~78.【45]高建平,郭忠印.基于运行车速的公路线形设计质量评价【J】.同济入学学报(自然科学版).第32卷第7期【461贺玉龙,卢仲贤,马国雄,刘小明,任福田.高速公路直线段车辆稳定运行速度模型【J】.公路.2002.(10):99~103【47]DanielIt.Jessen.OperatingSpeedPredictionOnCrestVerticalCurveofRuralTwo—LaneHighwaysinNebraska,TransportationResearchBoard[J].NationalResearchCouncil.1987 要堕至望查兰堡主堕塞竺兰竺堡塞塑堡夏148】华杰工程咨询有限公司主编.中华人民共和国交通部批准,公路项目安全性评价指南【s】,JTG/TB05--2004,36~41【49】郭应时,袁伟,付锐.道路交通安全评价指标特性分析【J】.公路交通科技.第23卷第5期【50】张治国.人工神经网络及其在地学中的应用研究【DJ.吉林大学博士学位论文,43~61【51】胡伍生编著.神经网络理论及其工程应用【M】-钡8绘出版社【52】张青贵编著.人工神经网络导论【M】.中国水利水电出版社.2004,(10):29~34【53]王旭,王宏,王文辉编著.人工神经元网络原理与应用【M】.东北大学出版社2000,(12):19-38【54】高隽编著.人工神经网络原理及仿真实例【M】.机械工业出版社.2003,(8):6~15f55】朱大奇,史慧编著.人工神经网络原理及应用【M】.科学出版社.2006(3):9~20f56】吴微编著.神经网络计算fM】.高等教育出版社f57】何玉彬,李新忠编著.神经网络控制技术及其应用『MJ.科学出版社.2000(11):29~34【58】徐丽娜编著.神经网络控制【M】.电子工业出版社.2003(2):18~23f59】胡守仁.神经网络应用技术【M】.国防科技大学出版社,1998:82~86.f60】李宗深,郑晶星.误差反向传播神经网络模型的改进及应用fJ】.水利学报.2003(7)【61】张魏,藤冬梅.BP算法及其研究【J】.计算机与现代化.2000(3)【62】飞思科技产品研发中心.神经网络理论与MATLAB7实现【M】.电子工业出版社,2005【63】清源计算机工作室.M加LAB基础及其应用【M】.北京机械工业出版社.2000【64】萝珊,智慧型科技工作室.MATLAB入门与应用【M】.科学出版社.1999【65】梁虹,梁洁等编著.信号与系统分析及MATLAB实现【M】.电子工业出版社.2002【66】苏金明编著.M加?LAB7.0实用指南fM】.电子工业出版社.2004【67】魏海坤编著.神经网络结构设计的理论与方法【M】.国防工业出版社.2005【68】作者参与项目:河南安阳市《铁炉至李家厂公路改建工程施工图设计》.2004

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
大家都在看
近期热门
关闭