影响能见度的诸多影响要素高影响天气之中,雾是最主要的天气现象之一。道路能见度的形成决于地形及气象等多种影响条件如地貌,降雨、雾等等;使得道路的能见度呈现出高度非线性,各种因素的相互作用、相互影响使得能见度计算异常复杂。人工神经网络是一种数据挖掘技术,具有大规模的并行计算与分布式存贮能力,非线性映射能力,较强的鲁棒性和容错性,自适应、自组织、自学习的能力,非局域性和非凸性等许多特性,非常适用于复杂多变、非线性的系统。BP算法最初由Werbos开发的反向传播训练算法是一种迭代梯度算法,用于求解前馈网络的实际输出与期望输出间的最小均方差值。BP网络是神经网络中一种反向传递并能修正误差的多层映射网络,通常由输入层、输出层和隐含层构成,层与层之间的神经元采用全互连的模式,通过相应的网络权系数相互联系,每层内的神经元没有连接。当参数适当时,此网络能收敛到较小的均方差,是目前应用最广的网络之一。本文研究利用人工神经网络建立京珠高速公路低能见度(雾)预测的非线性模型,,采用附加动量法和自适应学习速率对BP(Back-propagation)神经网络进行改进,构建能见度预测BP神经网络智能模型。BP模型以S形函数作为转换函数,归一化样本到[0,1]区间。输入模式的确定是一个神经网络模型成功的关键。输入模式分量过多,则网络模型结构会过于复杂,从而训练周期长、系统的鲁棒性下降,即对数据的噪声干扰敏感,容易形成过适应。本文采用试错法确定模型输入模式。隐含层神经元个数及其节点数确定采用国内常用的经验公式确定。建立的京珠高速公路低能见度(雾)BP神经网络预测模型通过在京珠高速公路沿线33个气象站点2002-2010年气象数据中训练与检验,得到较好的预测效果。可以进一步推广拓展BP神经网络预测客观模型的应用范围。