臺風天氣高速公路車輛安全時速的估算

■徐錦強吳建霞陳金山 黃海南

(1.福建農林大學交通與土木工程學院，福州 350002；2.福建省寧德市交通經濟發展中心，寧德 352000)

臺風天氣高速公路車輛安全時速的估算

■徐錦強1吳建霞2陳金山1 黃海南1

(1.福建農林大學交通與土木工程學院，福州 350002；2.福建省寧德市交通經濟發展中心，寧德 352000)

根據臺風天氣風雨等氣候條件，估算高速公路車輛的安全時速。專家以經驗出發，結合實時的氣候條件，估算安全時速。建立了120條有效的專家數據后，應用其中100條數據訓練BP神經網絡，再用余下20條數據對訓練好的BPNN神經網絡實現精度檢驗。最后采用排除異常樣本的方法，進一步提高了BPNN神經網絡對安全時速的估算精度。采用BPNN神經網絡的方法能夠把專家的主觀經驗和處事性格電子化，對經驗少的駕駛新人能給出最高安全時速的建議，所以具有一定的實用價值。

高速公路 臺風天氣 安全車速 BP神經網絡

0 引言

臺風天氣是影響沿海高速公路交通安全的重要隱患之一，風力強、雨量大、影響范圍廣，其產生的大風大雨對高速公路上行駛車輛的穩定性帶來極大影響。如何在臺風天氣帶來的風雨條件下，估算安全車速，值得探討。

在綜合考慮風和雨對高速公路路面及車輛的共同影響，分析在路面濕滑、側風影響條件下，設計了基于BPNN(BackPropagationNeuralNetworks)的臺風天氣高速公路安全車速估算系統，及時向駕駛員發布限速信息。

1 風雨天氣對交通安全的影響

1.1 降雨強度

降雨是影響公路路況最頻繁的氣象因素。降雨常常使得路面出現積水，并在轉動的輪胎下聚攏，形成水膜[1]，破壞車輛與路面正常接觸。降雨造成的交通事故率比晴天的增加會增加30%左右，而且不同降雨量引起事故的程度不同。

1.2 風速

臺風天氣往往伴隨大風。風的阻力影響車輛本身的動力性能和燃油經濟性能[2]。公路線型走向多變，極易在一些路段形成較為強烈的側風 （即風向角與行車方向的夾角不為零），以不同速度作用于行駛車輛的側向面時，很容易造成行駛中的車輛發生側滑現象[3]，影響車輛直線行駛穩定性。

1.3 能見度

臺風天氣帶來的風雨，影響了道路能見度，會縮短駕駛員的視距和縮小視野。過低的能見度對高速公路保持安全行車視距造成了影響。許多地方都制定了 “能見度低于50m，關閉高速公路”的規定[4]。

2 BPNN結構設計與訓練

選用了BPNN智能算法，以應對臺風天氣風雨因子對安全限速的影響。BPNN是一種按誤差逆傳播算法訓練的多層前饋網絡。BPNN能學習和存貯大量的輸入向量與輸出向量之間的映射關系，而無需事先建立表達映射關系的數學模型。BPNN拓撲結構包括輸入層 (input)、隱含層 (hidelayer)和輸出層 (outputlayer)。BPNN具有優秀的非線性函數的擬合能力，可應用于模糊問題求解[5,6]。

2.1 獲取訓練數據

高速公路沿線各位置的 “道路方向角”、 “坡度”數值由高速公路設計圖紙獲取[7]；在臺風天氣，多風雨條件時[8]，在客運公司的支持下，跟隨一輛長途客車調研，該客車駕駛員駕齡20年，安全駕駛經驗豐富。同時在高速公路一些觀測點，觀測當前路段的 “實時風速”、“風向”、 “實時降雨強度”與 “能見度”。車上人員通過手機接聽觀測人員報告的風速、降雨強度與能見度，告知駕駛員，請駕駛員觀察交通環境，報出其經驗判斷的最高 “安全限速”。整理出120條質量較好的樣本數據填入表1[9]。

表1 安全限速調查表

把120個樣本隨機打亂，取前100個樣本做為訓練樣本。訓練樣本的輸入值選擇實時風速 、車風相對偏角、道路縱向坡度、實時降雨強度、能見度等五個指標，訓練樣本的輸出值選擇駕駛員給出的安全限速。

2.2 BPNN結構設計

選擇MATLAB語言，采用雙隱層復雜結構的BPNN，求解模糊問題。不斷調整隱藏層的傳遞函數及節點個數，反復訓練，找到擬合效果最優秀的BPNN結構。輸入層節點數5個，對應5個影響因子；第1隱層采用傳遞函數 “tansig”，節點11個；第2隱藏層采用傳遞函數 “logsig”，節點數9個；輸出層采用傳遞函數 “purelin”，節點數1個。選擇訓練函數 “trainlm”，選擇學習函數 “learngdm”，BPNN精度檢查采用“MSE(均方差)”。

BPNN工作界面見圖1，訓練曲線見圖 2。圖1、圖2表明，本次BPNN的結構設計合理，在迭代計算過程中，MSE迅速逼近預設精度 (10-4)，在第358次計算時達到了預設精度，停止迭代計算。

圖1 工作界面

圖2 訓練曲線

2.3 數據檢驗

對訓練數據自檢，繪制誤差圖見圖3，其橫坐標為樣本序號，縱坐標為安全限速。專家經驗判斷值用“○”表示，預測值用 “+”表示。均方差為0.8632，最大的絕對誤差處于第64個樣本，專家判斷值為120km/h，預測值為126.11km/h，偏高6.11km/h，誤差可以接受。

圖3 對訓練數據自檢

取120個樣本中最后20組做為檢驗樣本。繪制圖4，均方差為0.1996，最大的絕對誤差出現在第13個樣本，專家經驗值為78km/h，BPNN預測值為79.06km/ h，偏高1.06km/h，誤差可以接受。

圖4 對驗證數據檢驗

3 結語

臺風天氣給高速公路沿線車輛安全行駛帶來隱患。根據專家經驗值，運用BPNN模糊求解方法訓練BP神經網絡并進行精度檢驗。估算安全車速并提高了估算精度。同時得出結論：

(1）BPNN偏重于對經驗數據的挖掘利用，解決方案快捷有效。剛開始時訓練數據少，BPNN預測精度差，隨著經驗數據不斷累積，BPNN預測精度逐漸提高，具有較好的后續研究空間。

(2）BPNN對訓練數據過于依賴，可先設置較少的迭代訓練次數，計算每個樣本預測值和專家值的擬合誤差，對誤差最大若干樣本廢棄不用，重新訓練，能顯著提高預測精度。

(3）由于BPNN會保持專家的個性，因此需要針對項目需求認真地進行專家選擇。

[1]張義，高建平，賈海燕．降雨對高速公路行車安全的影響及對策[J]．西部交通科技，2008，(02)：20-24．

[2]龐加斌，王達磊，陳艾榮，等．橋面側風對行車安全性影響的概率評價方法[J]．中國公路學報，2006，19(4)：59-64．

[3]韓萬水，陳艾榮．風—汽車—橋梁系統空間耦合振動研究[J]．土木工程學報，2007，40(09)：53-58．

[4]吳兌，鄧雪嬌，游積平，等．南嶺山地高速公路霧區能見度預報系統[J]．熱帶氣象學報，2006，22(5)：417-422．

[5]劉娜，趙永樂，邵光成．基于遺傳神經網絡的企業人力資源結構預測[J]．統計與決策，2007，(1)：144-146．

[6]林春水，林宇洪，郭建鋼．基于BPNN的高速公路風雨天氣限速系統的設計[J]．交通運輸工程與信息學報，2013，11(3)：35-40．

[7]徐錦強．基于SMS高速公路沿線電力設施安防報警器的設計[J]．福建電腦，2011，27（9）：12-14．

[8]銀服森．惡劣氣候對交通安全的影響及對策研究[J]．安全管理與技術，2007，29（4）：132-134．

[9]林宇洪，沈嶸楓，邱榮祖．南方林區林產品運輸監管系統的研究[J]．北京林業大學學報，2011，33(5)：130-135．

福建省教育廳科研項目 (JB12083)資助