论文部分内容阅读
摘 要：车速是道路安全研究中的重要指标，是驾驶员操作行为、车路线性等多方面作用在汽车行驶上的外在表现。为了能够准确地预测出未来客运车辆行驶速度，对未来危险驾驶行为做出预警提示，从而减少客运车辆交通事故发生率，考虑到同一驾驶员驾驶车辆时，行驶车速具有一定的模糊性，选择利用模糊神经网络（FNN）建立重庆市某客运公司车辆运行速度预测模型，通过标准遗传算法优化参数的方式，改进模糊神经网络模型提高预测精度，依靠Matlab软件实现预测值，预测出未来5 s的客运车辆行驶车速，对比分析改进前的模型以及BP神经网络模型预测标准误差值，表明改进后模糊神经网络模型更适用于预测未来客运车辆行驶速度。
关键词：车速预测;FNN;标准遗传算法;标准误差值
公路旅客运输业作为国民经济的重要基础产业，公路运输安全是公路旅客运输最基本的要求，同时也是公路旅客运输相关企业取得经济效益的前提。我国每年都会发生特大客运车辆交通事故，其主要发生原因在于驾驶员长期疲劳驾驶、超速驾驶等违法行为以及应急避险能力，如果能够准确预测车辆未来行驶速度，对驾驶人员提前做出预警提示，可有效降低交通事故发生率[1]。国内外研究道路交通相关的学者在车速预测方面做了大量的工作。传统的车速预测方法主要是利用车辆本身的动能相关参数，结合一定数学模型对未来车速进行预测，主要包括基于线性回归模型的预测方法[2]。如果将模糊神经网络应用于复杂得多变量控制系统中，可以达到更好的控制效果。
1 车速预测模型建立和改进
1.1 预测模型选择
考虑到预测车辆行驶速度时，相关参数具有不确定性。本文选择MATLAB语言开发处理计算客运车辆行驶数据，并选取简单、高效的模糊神经网。
1.2 FNN模型建立
神经网络和模糊理论融合得到模糊神经网络系统（Fuzzy network-FNN）。模糊神经网络模型预测车速的基本思想为：根据车辆当前位置的速度，加速度，平均车速等已知数据信息，预测下一位置点的车速，网络输入和输出对应的映射关系可以表达为下式（1）的形式。
表示第个位置车辆的速度;
表示第个位置车辆的加速度;
表示第个位置车辆所处路段的交通流速度。
影响客运车辆行驶车速预测结果的因素有以下几种：天气、当前车辆行驶速度、道路线形、道路曲率半径、行驶车辆加速度、驾驶员驾驶风格等。现有数据中，由于道路线性、道路曲率半径等信息未知，故只探讨行驶车速、加速度之间的神经网络与行车速度预测关系。
1.3 模型改进
模糊神经网络受规则数目和算法推理的模糊性的影响，能大致的推理得出结果，对于数据较多时精度相对较低，采取更改模糊论域的划分区域，实时地更改论域，提高模糊神经网络的预测精度。通过变量间的隶属度，对一定的变化区间里进行预测数据变化量。本文通过训练模型的参数值来进行改进。
运算过程如下：
（1）编码参数。对每个组包含有S个参数的群体进行编码记录为，某个基因组可以用记录，，的数值为该群体的权值与阈值总和。
（2）选取适应度函数。SGA中适应度函数。
式中E表示与控制目标的误差值，，是真实值，为测试值。
（3）SGA种群迭代更新。求得的群体在不断的更新过程中，适应度较高的个体保存下来，然后将其作为模糊神经网络的初始阈值、权值，作为训练的结果。
2 模型优化结果验证
2.1 改进后参数取值
实验在用Matlab测试车速和预测测速的数据量时，依次选取业界较为普遍使用的样本比例30%和70%。一般的学习速率β（0，1]，训练目标E（0，1]，要使学习速度和精度在模糊神经网络中得到保障，需要对所取样本进行归一化处理，网络结构：2个输入、1个输出、隐层含5个神经元，则选取数量为：=2×5+5+5×1+1=21，当前取E≤0.001，β=0.05。迭代次数M理论上越大越好，但迭代次数M较高时增加了程序运行时间和数据分析难度，本文选取迭代次数M=40，预测5 s步长下的车速，采取绝对误差值作为该模型进行车速预测的判断成效。
2.2 预测实验
根据上述标准遗传算法优化参数，得到改进后的FNN模型，选取客运车辆行驶数据的速度值进行预测。
用改进后的FNN模型预测车速与实际车速的绝对误差值作为该模型的预测误差。
2.3 对比分析
为了验证模糊神经网络的车速预测模型的有效性，本文选择优化前的车速预测模型、目前车速预测领域使用比较广泛的BP神经网络建立车速预测模型，对比分析模糊神经网络车速预测误差值。
BP神经网络车速预测误差结果如下图1所示：
由FNN模型、优化后的FNN模型及BP神经网络车速预测误差结果可知，在预测步长为5 s的情况下，优化后的FNN预测车速的绝对误差值在-1.1 m/s和1.1 m/s之间，优化前的FNN神经网络预测未来车速的绝对误差值在-1.8 m/s和1.8 m/s之间，BP神经网络预测车速的绝对误差值在-1.6 m/s和1.6 m/s之间。由此可以明显看出，在5 s的客运车辆车速预测步长下，优化后的FNN网络模型预测精度更高于优化前的FNN模型及BP神经网络预测模型，而BP神经网络预测车速误差值小于FNN网络模型的预测误差，但两者预测能力差距不明显。
3 结论
针对客运车辆行驶速度预测能够在危险情况下及时提示驾驶员做出正确选择，进而降低道路事故发生率的问题。
（1）本文提出了基于模糊神经网络模型进行客运车辆行驶速度预测。
（2）用标准遗传算法（SGA）改进FNN模型参数，实现模型的优化。
（3）将改进后的FNN网络模型、改进前的FNN网络模型、BP神经网络模型三种模型，在5 s步长下的预测车速的绝对误差图进行了对比和分析，得出改进后的FNN预测模型更适用于预测客运车辆未来的行驶速度。
参考文献：
[1]张弛.考虑空间视野的高速公路运行速度預测模型与应用研究[D].西安：长安大学，2010.
[2]ZOU Y，LIU T，LIU D X，et al.Reinforcement learning based real-time energy management for a hybrid tracked vehicle[J].Applied Energy，2016（171）：372-382.
[3]D Hodgson，B C Mecrow，S M Gadoue，et a1.Effect of vehicle mass changes on the accuracy of Kalman filter estimation of electric vehicle speed[J].Electrical Systems in Transportation，2013，3（3）：67-78.
[4]冯微，陈红，等.基于GBRBM-DBN模型的短时交通流预测方法[J].交通信息与安全，2018（5）：99-108.
[5]Ding H，Wang G，Xie P.Aerospace traffic congestion prediction model based-on deep neural network[J].Informatization Research，2017，23（54）：78-85.
关键词：车速预测;FNN;标准遗传算法;标准误差值
公路旅客运输业作为国民经济的重要基础产业，公路运输安全是公路旅客运输最基本的要求，同时也是公路旅客运输相关企业取得经济效益的前提。我国每年都会发生特大客运车辆交通事故，其主要发生原因在于驾驶员长期疲劳驾驶、超速驾驶等违法行为以及应急避险能力，如果能够准确预测车辆未来行驶速度，对驾驶人员提前做出预警提示，可有效降低交通事故发生率[1]。国内外研究道路交通相关的学者在车速预测方面做了大量的工作。传统的车速预测方法主要是利用车辆本身的动能相关参数，结合一定数学模型对未来车速进行预测，主要包括基于线性回归模型的预测方法[2]。如果将模糊神经网络应用于复杂得多变量控制系统中，可以达到更好的控制效果。
1 车速预测模型建立和改进
1.1 预测模型选择
考虑到预测车辆行驶速度时，相关参数具有不确定性。本文选择MATLAB语言开发处理计算客运车辆行驶数据，并选取简单、高效的模糊神经网。
1.2 FNN模型建立
神经网络和模糊理论融合得到模糊神经网络系统（Fuzzy network-FNN）。模糊神经网络模型预测车速的基本思想为：根据车辆当前位置的速度，加速度，平均车速等已知数据信息，预测下一位置点的车速，网络输入和输出对应的映射关系可以表达为下式（1）的形式。
表示第个位置车辆的速度;
表示第个位置车辆的加速度;
表示第个位置车辆所处路段的交通流速度。
影响客运车辆行驶车速预测结果的因素有以下几种：天气、当前车辆行驶速度、道路线形、道路曲率半径、行驶车辆加速度、驾驶员驾驶风格等。现有数据中，由于道路线性、道路曲率半径等信息未知，故只探讨行驶车速、加速度之间的神经网络与行车速度预测关系。
1.3 模型改进
模糊神经网络受规则数目和算法推理的模糊性的影响，能大致的推理得出结果，对于数据较多时精度相对较低，采取更改模糊论域的划分区域，实时地更改论域，提高模糊神经网络的预测精度。通过变量间的隶属度，对一定的变化区间里进行预测数据变化量。本文通过训练模型的参数值来进行改进。
运算过程如下：
（1）编码参数。对每个组包含有S个参数的群体进行编码记录为，某个基因组可以用记录，，的数值为该群体的权值与阈值总和。
（2）选取适应度函数。SGA中适应度函数。
式中E表示与控制目标的误差值，，是真实值，为测试值。
（3）SGA种群迭代更新。求得的群体在不断的更新过程中，适应度较高的个体保存下来，然后将其作为模糊神经网络的初始阈值、权值，作为训练的结果。
2 模型优化结果验证
2.1 改进后参数取值
实验在用Matlab测试车速和预测测速的数据量时，依次选取业界较为普遍使用的样本比例30%和70%。一般的学习速率β（0，1]，训练目标E（0，1]，要使学习速度和精度在模糊神经网络中得到保障，需要对所取样本进行归一化处理，网络结构：2个输入、1个输出、隐层含5个神经元，则选取数量为：=2×5+5+5×1+1=21，当前取E≤0.001，β=0.05。迭代次数M理论上越大越好，但迭代次数M较高时增加了程序运行时间和数据分析难度，本文选取迭代次数M=40，预测5 s步长下的车速，采取绝对误差值作为该模型进行车速预测的判断成效。
2.2 预测实验
根据上述标准遗传算法优化参数，得到改进后的FNN模型，选取客运车辆行驶数据的速度值进行预测。
用改进后的FNN模型预测车速与实际车速的绝对误差值作为该模型的预测误差。
2.3 对比分析
为了验证模糊神经网络的车速预测模型的有效性，本文选择优化前的车速预测模型、目前车速预测领域使用比较广泛的BP神经网络建立车速预测模型，对比分析模糊神经网络车速预测误差值。
BP神经网络车速预测误差结果如下图1所示：
由FNN模型、优化后的FNN模型及BP神经网络车速预测误差结果可知，在预测步长为5 s的情况下，优化后的FNN预测车速的绝对误差值在-1.1 m/s和1.1 m/s之间，优化前的FNN神经网络预测未来车速的绝对误差值在-1.8 m/s和1.8 m/s之间，BP神经网络预测车速的绝对误差值在-1.6 m/s和1.6 m/s之间。由此可以明显看出，在5 s的客运车辆车速预测步长下，优化后的FNN网络模型预测精度更高于优化前的FNN模型及BP神经网络预测模型，而BP神经网络预测车速误差值小于FNN网络模型的预测误差，但两者预测能力差距不明显。
3 结论
针对客运车辆行驶速度预测能够在危险情况下及时提示驾驶员做出正确选择，进而降低道路事故发生率的问题。
（1）本文提出了基于模糊神经网络模型进行客运车辆行驶速度预测。
（2）用标准遗传算法（SGA）改进FNN模型参数，实现模型的优化。
（3）将改进后的FNN网络模型、改进前的FNN网络模型、BP神经网络模型三种模型，在5 s步长下的预测车速的绝对误差图进行了对比和分析，得出改进后的FNN预测模型更适用于预测客运车辆未来的行驶速度。
参考文献：
[1]张弛.考虑空间视野的高速公路运行速度預测模型与应用研究[D].西安：长安大学，2010.
[2]ZOU Y，LIU T，LIU D X，et al.Reinforcement learning based real-time energy management for a hybrid tracked vehicle[J].Applied Energy，2016（171）：372-382.
[3]D Hodgson，B C Mecrow，S M Gadoue，et a1.Effect of vehicle mass changes on the accuracy of Kalman filter estimation of electric vehicle speed[J].Electrical Systems in Transportation，2013，3（3）：67-78.
[4]冯微，陈红，等.基于GBRBM-DBN模型的短时交通流预测方法[J].交通信息与安全，2018（5）：99-108.
[5]Ding H，Wang G，Xie P.Aerospace traffic congestion prediction model based-on deep neural network[J].Informatization Research，2017，23（54）：78-85.