基于改進FNN模型的客運車輛行駛車速預(yù)測方法

朱凱家

摘 要：車速是道路安全研究中的重要指標(biāo)，是駕駛員操作行為、車路線性等多方面作用在汽車行駛上的外在表現(xiàn)。為了能夠準(zhǔn)確地預(yù)測出未來客運車輛行駛速度，對未來危險駕駛行為做出預(yù)警提示，從而減少客運車輛交通事故發(fā)生率，考慮到同一駕駛員駕駛車輛時，行駛車速具有一定的模糊性，選擇利用模糊神經(jīng)網(wǎng)絡(luò)（FNN）建立重慶市某客運公司車輛運行速度預(yù)測模型，通過標(biāo)準(zhǔn)遺傳算法優(yōu)化參數(shù)的方式，改進模糊神經(jīng)網(wǎng)絡(luò)模型提高預(yù)測精度，依靠Matlab軟件實現(xiàn)預(yù)測值，預(yù)測出未來5 s的客運車輛行駛車速，對比分析改進前的模型以及BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測標(biāo)準(zhǔn)誤差值，表明改進后模糊神經(jīng)網(wǎng)絡(luò)模型更適用于預(yù)測未來客運車輛行駛速度。

關(guān)鍵詞：車速預(yù)測;FNN;標(biāo)準(zhǔn)遺傳算法;標(biāo)準(zhǔn)誤差值

公路旅客運輸業(yè)作為國民經(jīng)濟的重要基礎(chǔ)產(chǎn)業(yè)，公路運輸安全是公路旅客運輸最基本的要求，同時也是公路旅客運輸相關(guān)企業(yè)取得經(jīng)濟效益的前提。我國每年都會發(fā)生特大客運車輛交通事故，其主要發(fā)生原因在于駕駛員長期疲勞駕駛、超速駕駛等違法行為以及應(yīng)急避險能力，如果能夠準(zhǔn)確預(yù)測車輛未來行駛速度，對駕駛?cè)藛T提前做出預(yù)警提示，可有效降低交通事故發(fā)生率[1]。國內(nèi)外研究道路交通相關(guān)的學(xué)者在車速預(yù)測方面做了大量的工作。傳統(tǒng)的車速預(yù)測方法主要是利用車輛本身的動能相關(guān)參數(shù)，結(jié)合一定數(shù)學(xué)模型對未來車速進行預(yù)測，主要包括基于線性回歸模型的預(yù)測方法[2]。如果將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于復(fù)雜得多變量控制系統(tǒng)中，可以達到更好的控制效果。

1 車速預(yù)測模型建立和改進

1.1 預(yù)測模型選擇

考慮到預(yù)測車輛行駛速度時，相關(guān)參數(shù)具有不確定性。本文選擇MATLAB語言開發(fā)處理計算客運車輛行駛數(shù)據(jù)，并選取簡單、高效的模糊神經(jīng)網(wǎng)。

1.2 FNN模型建立

神經(jīng)網(wǎng)絡(luò)和模糊理論融合得到模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)（Fuzzy network-FNN）。模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測車速的基本思想為：根據(jù)車輛當(dāng)前位置的速度，加速度，平均車速等已知數(shù)據(jù)信息，預(yù)測下一位置點的車速，網(wǎng)絡(luò)輸入和輸出對應(yīng)的映射關(guān)系可以表達為下式（1）的形式。

表示第個位置車輛的速度;

表示第個位置車輛的加速度;

表示第個位置車輛所處路段的交通流速度。

影響客運車輛行駛車速預(yù)測結(jié)果的因素有以下幾種：天氣、當(dāng)前車輛行駛速度、道路線形、道路曲率半徑、行駛車輛加速度、駕駛員駕駛風(fēng)格等?，F(xiàn)有數(shù)據(jù)中，由于道路線性、道路曲率半徑等信息未知，故只探討行駛車速、加速度之間的神經(jīng)網(wǎng)絡(luò)與行車速度預(yù)測關(guān)系。

1.3 模型改進

模糊神經(jīng)網(wǎng)絡(luò)受規(guī)則數(shù)目和算法推理的模糊性的影響，能大致的推理得出結(jié)果，對于數(shù)據(jù)較多時精度相對較低，采取更改模糊論域的劃分區(qū)域，實時地更改論域，提高模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。通過變量間的隸屬度，對一定的變化區(qū)間里進行預(yù)測數(shù)據(jù)變化量。本文通過訓(xùn)練模型的參數(shù)值來進行改進。

運算過程如下：

（1）編碼參數(shù)。對每個組包含有S個參數(shù)的群體進行編碼記錄為，某個基因組可以用記錄，，的數(shù)值為該群體的權(quán)值與閾值總和。

（2）選取適應(yīng)度函數(shù)。SGA中適應(yīng)度函數(shù)。

式中E表示與控制目標(biāo)的誤差值，，是真實值，為測試值。

（3）SGA種群迭代更新。求得的群體在不斷的更新過程中，適應(yīng)度較高的個體保存下來，然后將其作為模糊神經(jīng)網(wǎng)絡(luò)的初始閾值、權(quán)值，作為訓(xùn)練的結(jié)果。

2 模型優(yōu)化結(jié)果驗證

2.1 改進后參數(shù)取值

實驗在用Matlab測試車速和預(yù)測測速的數(shù)據(jù)量時，依次選取業(yè)界較為普遍使用的樣本比例30%和70%。一般的學(xué)習(xí)速率β（0，1]，訓(xùn)練目標(biāo)E（0，1]，要使學(xué)習(xí)速度和精度在模糊神經(jīng)網(wǎng)絡(luò)中得到保障，需要對所取樣本進行歸一化處理，網(wǎng)絡(luò)結(jié)構(gòu)：2個輸入、1個輸出、隱層含5個神經(jīng)元，則選取數(shù)量為：=2×5+5+5×1+1=21，當(dāng)前取E≤0.001，β=0.05。迭代次數(shù)M理論上越大越好，但迭代次數(shù)M較高時增加了程序運行時間和數(shù)據(jù)分析難度，本文選取迭代次數(shù)M=40，預(yù)測5 s步長下的車速，采取絕對誤差值作為該模型進行車速預(yù)測的判斷成效。

2.2 預(yù)測實驗

根據(jù)上述標(biāo)準(zhǔn)遺傳算法優(yōu)化參數(shù)，得到改進后的FNN模型，選取客運車輛行駛數(shù)據(jù)的速度值進行預(yù)測。

用改進后的FNN模型預(yù)測車速與實際車速的絕對誤差值作為該模型的預(yù)測誤差。

2.3 對比分析

為了驗證模糊神經(jīng)網(wǎng)絡(luò)的車速預(yù)測模型的有效性，本文選擇優(yōu)化前的車速預(yù)測模型、目前車速預(yù)測領(lǐng)域使用比較廣泛的BP神經(jīng)網(wǎng)絡(luò)建立車速預(yù)測模型，對比分析模糊神經(jīng)網(wǎng)絡(luò)車速預(yù)測誤差值。

BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測誤差結(jié)果如下圖1所示：

由FNN模型、優(yōu)化后的FNN模型及BP神經(jīng)網(wǎng)絡(luò)車速預(yù)測誤差結(jié)果可知，在預(yù)測步長為5 s的情況下，優(yōu)化后的FNN預(yù)測車速的絕對誤差值在-1.1 m/s和1.1 m/s之間，優(yōu)化前的FNN神經(jīng)網(wǎng)絡(luò)預(yù)測未來車速的絕對誤差值在-1.8 m/s和1.8 m/s之間，BP神經(jīng)網(wǎng)絡(luò)預(yù)測車速的絕對誤差值在-1.6 m/s和1.6 m/s之間。由此可以明顯看出，在5 s的客運車輛車速預(yù)測步長下，優(yōu)化后的FNN網(wǎng)絡(luò)模型預(yù)測精度更高于優(yōu)化前的FNN模型及BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，而BP神經(jīng)網(wǎng)絡(luò)預(yù)測車速誤差值小于FNN網(wǎng)絡(luò)模型的預(yù)測誤差，但兩者預(yù)測能力差距不明顯。

3 結(jié)論

針對客運車輛行駛速度預(yù)測能夠在危險情況下及時提示駕駛員做出正確選擇，進而降低道路事故發(fā)生率的問題。

（1）本文提出了基于模糊神經(jīng)網(wǎng)絡(luò)模型進行客運車輛行駛速度預(yù)測。

（2）用標(biāo)準(zhǔn)遺傳算法（SGA）改進FNN模型參數(shù)，實現(xiàn)模型的優(yōu)化。

（3）將改進后的FNN網(wǎng)絡(luò)模型、改進前的FNN網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型三種模型，在5 s步長下的預(yù)測車速的絕對誤差圖進行了對比和分析，得出改進后的FNN預(yù)測模型更適用于預(yù)測客運車輛未來的行駛速度。

參考文獻：

[1]張弛.考慮空間視野的高速公路運行速度預(yù)測模型與應(yīng)用研究[D].西安：長安大學(xué)，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]馮微，陳紅，等.基于GBRBM-DBN模型的短時交通流預(yù)測方法[J].交通信息與安全，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.