当前位置:首页 期刊杂志

台风天气高速公路车辆安全时速的估算

时间:2024-07-28

■徐锦强吴建霞陈金山 黄海南

(1.福建农林大学交通与土木工程学院,福州 350002;2.福建省宁德市交通经济发展中心,宁德 352000)

台风天气高速公路车辆安全时速的估算

■徐锦强1吴建霞2陈金山1 黄海南1

(1.福建农林大学交通与土木工程学院,福州 350002;2.福建省宁德市交通经济发展中心,宁德 352000)

根据台风天气风雨等气候条件,估算高速公路车辆的安全时速。专家以经验出发,结合实时的气候条件,估算安全时速。建立了120条有效的专家数据后,应用其中100条数据训练BP神经网络,再用余下20条数据对训练好的BPNN神经网络实现精度检验。最后采用排除异常样本的方法,进一步提高了BPNN神经网络对安全时速的估算精度。采用BPNN神经网络的方法能够把专家的主观经验和处事性格电子化,对经验少的驾驶新人能给出最高安全时速的建议,所以具有一定的实用价值。

高速公路 台风天气 安全车速 BP神经网络

0 引言

台风天气是影响沿海高速公路交通安全的重要隐患之一,风力强、雨量大、影响范围广,其产生的大风大雨对高速公路上行驶车辆的稳定性带来极大影响。如何在台风天气带来的风雨条件下,估算安全车速,值得探讨。

在综合考虑风和雨对高速公路路面及车辆的共同影响,分析在路面湿滑、侧风影响条件下,设计了基于BPNN(BackPropagationNeuralNetworks)的台风天气高速公路安全车速估算系统,及时向驾驶员发布限速信息。

1 风雨天气对交通安全的影响

1.1 降雨强度

降雨是影响公路路况最频繁的气象因素。降雨常常使得路面出现积水,并在转动的轮胎下聚拢,形成水膜[1],破坏车辆与路面正常接触。降雨造成的交通事故率比晴天的增加会增加30%左右,而且不同降雨量引起事故的程度不同。

1.2 风速

台风天气往往伴随大风。风的阻力影响车辆本身的动力性能和燃油经济性能[2]。公路线型走向多变,极易在一些路段形成较为强烈的侧风 (即风向角与行车方向的夹角不为零),以不同速度作用于行驶车辆的侧向面时,很容易造成行驶中的车辆发生侧滑现象[3],影响车辆直线行驶稳定性。

1.3 能见度

台风天气带来的风雨,影响了道路能见度,会缩短驾驶员的视距和缩小视野。过低的能见度对高速公路保持安全行车视距造成了影响。许多地方都制定了 “能见度低于50m,关闭高速公路”的规定[4]。

2 BPNN结构设计与训练

选用了BPNN智能算法,以应对台风天气风雨因子对安全限速的影响。BPNN是一种按误差逆传播算法训练的多层前馈网络。BPNN能学习和存贮大量的输入向量与输出向量之间的映射关系,而无需事先建立表达映射关系的数学模型。BPNN拓扑结构包括输入层 (input)、隐含层 (hidelayer)和输出层 (outputlayer)。BPNN具有优秀的非线性函数的拟合能力,可应用于模糊问题求解[5,6]。

2.1 获取训练数据

高速公路沿线各位置的 “道路方向角”、 “坡度”数值由高速公路设计图纸获取[7];在台风天气,多风雨条件时[8],在客运公司的支持下,跟随一辆长途客车调研,该客车驾驶员驾龄20年,安全驾驶经验丰富。同时在高速公路一些观测点,观测当前路段的 “实时风速”、“风向”、 “实时降雨强度”与 “能见度”。车上人员通过手机接听观测人员报告的风速、降雨强度与能见度,告知驾驶员,请驾驶员观察交通环境,报出其经验判断的最高 “安全限速”。整理出120条质量较好的样本数据填入表1[9]。

表1 安全限速调查表

把120个样本随机打乱,取前100个样本做为训练样本。训练样本的输入值选择实时风速 、车风相对偏角、道路纵向坡度、实时降雨强度、能见度等五个指标,训练样本的输出值选择驾驶员给出的安全限速。

2.2 BPNN结构设计

选择MATLAB语言,采用双隐层复杂结构的BPNN,求解模糊问题。不断调整隐藏层的传递函数及节点个数,反复训练,找到拟合效果最优秀的BPNN结构。输入层节点数5个,对应5个影响因子;第1隐层采用传递函数 “tansig”,节点11个;第2隐藏层采用传递函数 “logsig”,节点数9个;输出层采用传递函数 “purelin”,节点数1个。选择训练函数 “trainlm”,选择学习函数 “learngdm”,BPNN精度检查采用“MSE(均方差)”。

BPNN工作界面见图1,训练曲线见图 2。图1、图2表明,本次BPNN的结构设计合理,在迭代计算过程中,MSE迅速逼近预设精度 (10-4),在第358次计算时达到了预设精度,停止迭代计算。

图1 工作界面

图2 训练曲线

2.3 数据检验

对训练数据自检,绘制误差图见图3,其横坐标为样本序号,纵坐标为安全限速。专家经验判断值用“○”表示,预测值用 “+”表示。均方差为0.8632,最大的绝对误差处于第64个样本,专家判断值为120km/h,预测值为126.11km/h,偏高6.11km/h,误差可以接受。

图3 对训练数据自检

取120个样本中最后20组做为检验样本。绘制图4,均方差为0.1996,最大的绝对误差出现在第13个样本,专家经验值为78km/h,BPNN预测值为79.06km/ h,偏高1.06km/h,误差可以接受。

图4 对验证数据检验

3 结语

台风天气给高速公路沿线车辆安全行驶带来隐患。根据专家经验值,运用BPNN模糊求解方法训练BP神经网络并进行精度检验。估算安全车速并提高了估算精度。同时得出结论:

(1)BPNN偏重于对经验数据的挖掘利用,解决方案快捷有效。刚开始时训练数据少,BPNN预测精度差,随着经验数据不断累积,BPNN预测精度逐渐提高,具有较好的后续研究空间。

(2)BPNN对训练数据过于依赖,可先设置较少的迭代训练次数,计算每个样本预测值和专家值的拟合误差,对误差最大若干样本废弃不用,重新训练,能显著提高预测精度。

(3)由于BPNN会保持专家的个性,因此需要针对项目需求认真地进行专家选择。

[1]张义,高建平,贾海燕.降雨对高速公路行车安全的影响及对策[J].西部交通科技,2008,(02):20-24.

[2]庞加斌,王达磊,陈艾荣,等.桥面侧风对行车安全性影响的概率评价方法[J].中国公路学报,2006,19(4):59-64.

[3]韩万水,陈艾荣.风—汽车—桥梁系统空间耦合振动研究[J].土木工程学报,2007,40(09):53-58.

[4]吴兑,邓雪娇,游积平,等.南岭山地高速公路雾区能见度预报系统[J].热带气象学报,2006,22(5):417-422.

[5]刘娜,赵永乐,邵光成.基于遗传神经网络的企业人力资源结构预测[J].统计与决策,2007,(1):144-146.

[6]林春水,林宇洪,郭建钢.基于BPNN的高速公路风雨天气限速系统的设计[J].交通运输工程与信息学报,2013,11(3):35-40.

[7]徐锦强.基于SMS高速公路沿线电力设施安防报警器的设计[J].福建电脑,2011,27(9):12-14.

[8]银服森.恶劣气候对交通安全的影响及对策研究[J].安全管理与技术,2007,29(4):132-134.

[9]林宇洪,沈嵘枫,邱荣祖.南方林区林产品运输监管系统的研究[J].北京林业大学学报,2011,33(5):130-135.

福建省教育厅科研项目 (JB12083)资助

免责声明

我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!