基于改進FNN模型的客運車輛行駛車速預測方法

朱凱家

摘 要：車速是道路安全研究中的重要指標，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。為了能夠準確地預測出未來客運車輛行駛速度，對未來危險駕駛行為做出預警提示，從而減少客運車輛交通事故發生率，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，選擇利用模糊神經網絡（FNN）建立重慶市某客運公司車輛運行速度預測模型，通過標準遺傳算法優化參數的方式，改進模糊神經網絡模型提高預測精度，依靠Matlab軟件實現預測值，預測出未來5 s的客運車輛行駛車速，對比分析改進前的模型以及BP神經網絡模型預測標準誤差值，表明改進后模糊神經網絡模型更適用于預測未來客運車輛行駛速度。

關鍵詞：車速預測;FNN;標準遺傳算法;標準誤差值

公路旅客運輸業作為國民經濟的重要基礎產業，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企業取得經濟效益的前提。我國每年都會發生特大客運車輛交通事故，其主要發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急避險能力，如果能夠準確預測車輛未來行駛速度，對駕駛人員提前做出預警提示，可有效降低交通事故發生率[1]。國內外研究道路交通相關的學者在車速預測方面做了大量的工作。傳統的車速預測方法主要是利用車輛本身的動能相關參數，結合一定數學模型對未來車速進行預測，主要包括基于線性回歸模型的預測方法[2]。如果將模糊神經網絡應用于復雜得多變量控制系統中，可以達到更好的控制效果。

1 車速預測模型建立和改進

1.1 預測模型選擇

考慮到預測車輛行駛速度時，相關參數具有不確定性。本文選擇MATLAB語言開發處理計算客運車輛行駛數據，并選取簡單、高效的模糊神經網。

1.2 FNN模型建立

神經網絡和模糊理論融合得到模糊神經網絡系統（Fuzzy network-FNN）。模糊神經網絡模型預測車速的基本思想為：根據車輛當前位置的速度，加速度，平均車速等已知數據信息，預測下一位置點的車速，網絡輸入和輸出對應的映射關系可以表達為下式（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測結果的因素有以下幾種：天氣、當前車輛行駛速度、道路線形、道路曲率半徑、行駛車輛加速度、駕駛員駕駛風格等。現有數據中，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、加速度之間的神經網絡與行車速度預測關系。

1.3 模型改進

模糊神經網絡受規則數目和算法推理的模糊性的影響，能大致的推理得出結果，對于數據較多時精度相對較低，采取更改模糊論域的劃分區域，實時地更改論域，提高模糊神經網絡的預測精度。通過變量間的隸屬度，對一定的變化區間里進行預測數據變化量。本文通過訓練模型的參數值來進行改進。

運算過程如下：

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

（2）選取適應度函數。SGA中適應度函數。

式中E表示與控制目標的誤差值，，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，適應度較高的個體保存下來，然后將其作為模糊神經網絡的初始閾值、權值，作為訓練的結果。

2 模型優化結果驗證

2.1 改進后參數取值

實驗在用Matlab測試車速和預測測速的數據量時，依次選取業界較為普遍使用的樣本比例30%和70%。一般的學習速率β（0，1]，訓練目標E（0，1]，要使學習速度和精度在模糊神經網絡中得到保障，需要對所取樣本進行歸一化處理，網絡結構：2個輸入、1個輸出、隱層含5個神經元，則選取數量為：=2×5+5+5×1+1=21，當前取E≤0.001，β=0.05。迭代次數M理論上越大越好，但迭代次數M較高時增加了程序運行時間和數據分析難度，本文選取迭代次數M=40，預測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測的判斷成效。

2.2 預測實驗

根據上述標準遺傳算法優化參數，得到改進后的FNN模型，選取客運車輛行駛數據的速度值進行預測。

用改進后的FNN模型預測車速與實際車速的絕對誤差值作為該模型的預測誤差。

2.3 對比分析

為了驗證模糊神經網絡的車速預測模型的有效性，本文選擇優化前的車速預測模型、目前車速預測領域使用比較廣泛的BP神經網絡建立車速預測模型，對比分析模糊神經網絡車速預測誤差值。

BP神經網絡車速預測誤差結果如下圖1所示：

由FNN模型、優化后的FNN模型及BP神經網絡車速預測誤差結果可知，在預測步長為5 s的情況下，優化后的FNN預測車速的絕對誤差值在-1.1 m/s和1.1 m/s之間，優化前的FNN神經網絡預測未來車速的絕對誤差值在-1.8 m/s和1.8 m/s之間，BP神經網絡預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的客運車輛車速預測步長下，優化后的FNN網絡模型預測精度更高于優化前的FNN模型及BP神經網絡預測模型，而BP神經網絡預測車速誤差值小于FNN網絡模型的預測誤差，但兩者預測能力差距不明顯。

3 結論

針對客運車輛行駛速度預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生率的問題。

（1）本文提出了基于模糊神經網絡模型進行客運車輛行駛速度預測。

（2）用標準遺傳算法（SGA）改進FNN模型參數，實現模型的優化。

（3）將改進后的FNN網絡模型、改進前的FNN網絡模型、BP神經網絡模型三種模型，在5 s步長下的預測車速的絕對誤差圖進行了對比和分析，得出改進后的FNN預測模型更適用于預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測模型與應用研究[D].西安：長安大學，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.