【文章內(nèi)容簡介】 堵判別設計與仿真 道路擁堵判別的系統(tǒng) 概率神經(jīng)網(wǎng)絡輸入變量的選擇本文設計的概率神經(jīng)網(wǎng)絡的輸入層有6個輸入，這6個輸入是交通流的特性參數(shù)的變量，分別是交通流量、占有率和速度。測出同一車道同一檢測點的流量和占有率，檢測時間間隔選為2min. 為了檢測到由于道路擁堵引起交通流量和占有率的變化，應比較不少于兩個時刻的變量，例如t, t1兩個連續(xù)時刻測出的流量和占有率數(shù)據(jù)。另外，為了檢測到由于道路擁堵引起車輛速度的變化，我們還應該考慮車輛行駛到該檢測點的瞬時速度。如果在檢測站測得的前一時刻t1的數(shù)據(jù)與后一時刻t檢測的數(shù)據(jù)相比較，呈現(xiàn)出交通流量減少、占有率增大、瞬時速度突然下降的變化，則說明可能有交通擁堵的事件發(fā)生，反之，則說明沒有擁堵事件發(fā)生。因此，本設計將t, t1時刻分別測得的流量、占有率和速度共6個變量作為概率神經(jīng)網(wǎng)絡的輸入，即前一時刻流量qt后一時刻流量qt, 前一時刻占有率Ot后一時刻占有率Ot以及前一時刻速度vt后一時刻速度vt. 在以上的輸入變量中，占有率數(shù)據(jù)在[0, 1]范圍內(nèi)，但流量和速度的數(shù)據(jù)通常情況下都會比較大，因此，在數(shù)據(jù)處理方面必須先對流量和速度進行歸一化處理，使歸一化后的流量、速度均在[0, 1]的范圍內(nèi)，使之符合概率神經(jīng)網(wǎng)絡的輸入要求。 概率神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)和測試數(shù)據(jù)道路擁堵判別的數(shù)據(jù)來源可以是交通仿真模型的輸出數(shù)據(jù)，也可以是現(xiàn)場交通數(shù)據(jù)。本文的仿真數(shù)據(jù)來源于交通管理部門提供的現(xiàn)場交通數(shù)據(jù)?，F(xiàn)場交通數(shù)據(jù)可以通過兩種不同途徑來獲得：第一種途徑是交通管理部門的日志；第二種途徑是檢測點現(xiàn)場傳感器的檢測數(shù)據(jù)，但必須注意的是經(jīng)傳感器檢測到的交通特性原始數(shù)據(jù)通常由于外界環(huán)境的干擾會在數(shù)值上出現(xiàn)一定的突變現(xiàn)象，因此必須先行對檢測得到的數(shù)據(jù)進行預處理，使數(shù)據(jù)樣本更加能夠充分反映實時的道路狀況。本文的仿真數(shù)據(jù)來源于交通管理部門利用微波檢測器測出的交通數(shù)據(jù)。微波檢測器，采用了先進的數(shù)字雷達波技術，它能夠?qū)崟r檢測交通流量、平均車速及車道占用率等交通數(shù)據(jù)的產(chǎn)品。相比于傳統(tǒng)的人工交通調(diào)查方法，微波檢測器有著明顯的優(yōu)越性。因此，微波檢測器被廣泛應用于高速公路、城市道路等交通檢測當中，能夠精確的檢測高速公路上的任意車輛的交通流參數(shù)數(shù)據(jù)。經(jīng)過數(shù)據(jù)歸一化處理、篩選得到100組樣本數(shù)據(jù)用來訓練概率神經(jīng)網(wǎng)絡, 另外還得到20組樣本數(shù)據(jù)用來測試概率神經(jīng)網(wǎng)絡.。其中，部分道路擁堵和不擁堵時的樣本數(shù)據(jù)共30組數(shù)據(jù)如表41所示，表中前15組數(shù)據(jù)和后15組數(shù)據(jù)分別對應著道路擁堵和不擁堵的情況，其中流量的單位為：輛/小時/車道，速度的單位為千米/小時。表41 部分樣本數(shù)據(jù)qt1Ot1vt1qtOtvt37695825267851203862561217714210101146113287363264574622334736423366655203875582746565295626221216244163725116296254252257115118532356175118492151185115521356145044618511646155714531255156321601457156222601767197215541159548115628572460 基于概率神經(jīng)網(wǎng)絡的擁堵判別系統(tǒng)建立結合概率神經(jīng)網(wǎng)絡的理論知識，在選擇合適的輸入量、篩選出網(wǎng)絡的訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)后，就可以建立起擁堵判別系統(tǒng)。，這種通過編寫命令行的方式建立概率神經(jīng)網(wǎng)絡，對于需要用大量的樣本數(shù)據(jù)進行仿真的系統(tǒng)來說，具有方便快捷的特點。 概率神經(jīng)網(wǎng)絡的擁堵判別仿真道路擁堵判別的概率神經(jīng)網(wǎng)絡模型采用圖22的網(wǎng)絡結構，輸入向量P的維數(shù)R=6, 第一層的神經(jīng)元個數(shù)Q=100, 第二層的神經(jīng)元個數(shù)K=2, 網(wǎng)絡的輸出a2分為道路擁堵和道路不擁堵兩種類別。仿真實驗是在1臺CPU為N270, , 內(nèi)存為2G的計算機上進行。，訓練速度很快。當神經(jīng)網(wǎng)絡的訓練結束后，再用未訓練的另外20組樣本測試數(shù)據(jù)對訓練后的概率神經(jīng)網(wǎng)絡的輸出判別結果進行驗證，仿真結果這20組測試樣本數(shù)據(jù)的分類結果完全正確，測試準確率為100％, 誤差率為0，表明所建立的概率神經(jīng)網(wǎng)絡道路擁堵判別模型正確描述了輸入、輸出之間的映射規(guī)律，對概率神經(jīng)網(wǎng)絡的道路擁堵判別模型的建立是成功而具有重大意義的。 MATLAB程序及仿真結果 MATLAB程序clear。tic。P= [ ]39。Tc=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]T=ind2vec(Tc)net=newpnn(P,T)。Y=sim(net,P)Yc=vec2ind(Y)toc。%Test beginP2=[ ]39。Y2=sim(net,P2)Yc2=vec2ind(Y2) 仿真過程數(shù)據(jù)基于概率神經(jīng)網(wǎng)絡的道路擁堵判別系統(tǒng)仿真的所有過程數(shù)據(jù)如表4表4表4表4表4表47所示：表42 仿真過程數(shù)據(jù)