收稿日期:20190601;修回日期:20190712 基金项目:国家自然科学基金面上项目(51679116);辽宁省高等学校创新人才支持计划
项目(LR2017068);辽宁省自然科学基金面上项目(2020MS292)
作者简介:李波(1977),男.辽宁锦州人,教授,硕导,博士,主要研究方向为多源信息融合与智能信息处理(leeboo@yeah.net).
基于权值优化神经网络的交通拥堵程度决策方法
李 波
(辽宁工业大学 电子与信息工程学院,辽宁 锦州 121001)
摘 要:针对现有的交通拥堵程度决策方法在证据不确定和不完备情况下评价准确率低的问题,提出了一种基
于权值优化神经网络方法。首先,采用二次型隶属度描述了各类交通拥堵证据的不确定性与不完备性。其次,
由信息熵计算证据的贡献度,并作为优化神经网络的输入层权值。接下来,由初始权值与前序时刻的梯度和自
适应更新各隐层与输出层的神经元权值,以期降低不确定和不完备证据给整个网络带来的累积误差。最后,结
合实际交通状况进行算例分析,验证了该方法的准确性与收敛性。结论分析表明,提出的方法能作出准确的交
通拥堵程度决策。
关键词:交通拥堵;信息熵;隶属度;权值优化;神经网络
中图分类号:TP391 文献标志码:A 文章编号:10013695(2020)10019297604
doi
:10.19734/j.issn.10013695.2019.06.0195
Decisionmethodoftrafficcongestionbasedonweightoptimizedneutralnetwork
LiBo
(SchoolofElectronics&InformationEngineering,LiaoningUniversityofTechnology,JinzhouLiaoning121001,China)
Abstract:Todealwiththelowaccuracyofexistingdecisionmethodsoftrafficcongestionundertheconditionoftheuncertain
andincompleteevidences,thispaperproposedaweightoptimizedneutralnetwork.Atfirst,thispaperappliedthequadratic
formmembershipfunctiontopresentthecharacteristicsofevidences.Itachievedtheevidencecontributionsbyusingtheinfor
mationentropy
,whichcouldbeconsideredastheweightsoninputlayerintheneutralnetwork.Moreover,theweightsonthe
hiddenandoutputlayerswereadaptivelycomputedonthebasisofinitialweightandpreviousgradientsum.Itreducedtheac
cumulatederrorfromtheuncertainandincompleteevidences.Finally,thenumericalexampleprovedbothaccuracyandconver
genceoftheproposedmethodintermsofactualtrafficenvironment.Theresultsindicatethattheproposedmethodcanmakethe
stabledecisionontrafficcongestion.
Keywords:trafficcongestion;informationentropy;membership;weightoptimized;neutralnetwork
交通拥堵指单位时间内通过某路段或某路口的总车流量
增加,导致交通堵塞或交通留滞的现象。随着人们生活水平的
不断提高,交通拥堵 给人们正 常出行带 来的负面 影响日益
凸显
[1,2]
。
现有的交通拥堵程度决策方法是采用智能算法对成组证
据综合决策。这些智能算法包括证据理论、模糊理论和神经网
络等
[3]
。在证据理论方面,文献[4]归纳了推演过程,结合质
量函数给出了使用方法。从交通现状出发,文献[5]总结了证
据理论对交通拥堵程度预警的影响。针对交通拥堵证据包含
随机噪声的特点,文献[
6]提出了一种用于计算交通可能发生
拥堵的证据理论方法。在模糊理论方面,文献[7]建立了交通
拥堵评估数学模型。考虑到交通量时变的特性,文献[8]提出
了基于模糊理论的交通预测模型,为交通诱导与管理提供了支
持。依据车流量与车辆速度关系,文献[9]构建了基于模糊逻
辑交通拥堵评价体系。文献[10]应用模糊理论对交通拥挤程
度模糊化,由设定的模糊规则给出了流量均衡诱导策略。在神
经网络方面,文献[11]构建了交通拥堵的神经网络评价模型,
对评价区间进行阈值判定。文献[12]整合交通特征向量,利
用隐层参数对交通拥堵状况多态预测。文献[13]利用神经网
络方法对交通通行能力进行预测分析。文献[14]提出了一种
基于神经网络的交通拥堵判别方法,将交通拥堵判别作为分类
问题自动检测。文献[15]消除了交通流信息的趋势向,揭示了
交通流内部的本质规律。虽然神经网络方法优于前两种方法,
但未能有效利用不确定或不完备证据决策,累积误差与收敛性
制约着决策性能。考虑到原始证据的不确定性与不完备性,优
化现有的神经网络方法,在证据隶属度送至输入层时引入对应
权值并区分贡献度。同时,实时优化神经元权值,提升网络收敛
性。为预先获取各类证据的贡献度,信息熵算法描述了其相互
关系,衡量了信息量。针对交通状态影响程度问题,文献[
13]提
出了基于信息熵加权的聚类算法并识别路网交通状态。
本文提出了一种基于权值优化神经网络方法,应用于交通
拥堵程度决策。建构了多元素交通拥堵程度模糊集,引入二次
型隶属度函数表征证据的不确定性与不完备性,由信息熵计算
神经网络输入层的神经元权值,对其他层神经元权值迭代更
新,减小了不确定性与不完备证据带来的累积误差,加速了网
络收敛。结合实际算例,得出了预期的决策结果。
1 交通拥堵程度模糊集
假定交通拥堵程度模糊集由五个独立的元素构成
[7]
:{x|
x=很通畅,通畅,正常,堵塞,很堵塞}。其中,“很畅通”表示
车辆能自由通行,无排队现象;“畅通”表示车辆通行受外界制
约较小,车流较稳定;“正常”表示车辆速度正常或偶有排队现
象;“堵塞”表示车辆速度较低,但延误可以接受;“很堵塞”表
示车辆速度极低,一直有车辆排队。由统计分析,影响交通拥
堵的证据主要包括车流量、平均延误、相位差和绿信比
[11]
。其
中,车流量指单位时间内通过某路面的车辆总数,具有时空变
第 37卷第 10期
2020年 10月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol37No10
Oct.2020