刍谈利用BP人工神经网络预测高速公路能见度

2020-02-15 621 上传者：管理员

摘要：本文选取2017—2018年沪渝高速公路铜陵天门镇六要素自动气象站逐日资料进行研究，数据包括逐日平均温度、最低温度、最高温度、平均相对湿度、最小相对湿度、平均风速、最大风速、极大风速、累计降水量等12类气象资料，利用BP神经网络构建高速公路能见度预报模型。当迭代次数为6次时，网络激活函数梯度达到最小值，此时动量参数Mu趋于减小，此时训练集误差、测试集与验证集误差趋于一致，模型构建合理。

关键词：
BP人工神经网络
回归结果
能见度预测
高速公路
加入收藏

1、引言

近年来，随着城市工业化和城镇化进程的加快，空气污染成为棘手的环境问题，由此产生的雾霾天气导致交通事故逐渐增加，对国家财产和人民生活构成严重威胁。目前人工神经网络已经广泛运用在大气科学研究中，神经网络系统的自适应学习能力和集体运算能力可以高精度接近任何复杂的天气系统。在一定程度上，能弥补回归模式的缺陷，在能见度预报中有较高的研究价值。判断雾霾天气最重要指标是大气能见度，近年来国内外学者纷纷应用人工神经网络开展能见度预测[1-8]。铜陵市地处北亚热带湿润季风气候区，一年四季都有雾霾发生，随着城市的工业化加快，污染物排放增加，铜陵市雾霾天气呈增多趋势，特别是近年来大范围的持续雾霾天气显著增多，雾霾主要集中在10月至次年1月，特别是1月、11月、12月，大雾月平均天数均超过2d。因此，开展铜陵市高速公路能见度预报的研究，对提升城市防灾减灾能力、减少人员财产损失具有极其重要的意义。

2、资料与方法

2.1 资料来源

本文选取2017—2018年沪渝高速公路铜陵天门镇六要素自动气象站逐日资料进行研究，数据包括逐日平均温度、最低温度、最高温度、平均相对湿度、最小相对湿度、平均风速、最大风速、极大风速、累计降水量等12类气象资料，该资料由安徽省气象信息中心收集并严格质量控制。

2.2 预报模型

BP人工神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络，是目前应用最广泛的神经网络。其主要特征是信号前向传播，而误差反向传播。BP人工神经网络的基本组成单元是神经元，常用的激活函数包括线性函数、斜坡函数、阈值函数、正切S型函数和双极S型函数。神经元共同组成神经网络，神经网络拓扑结果是分层结构，一般包括输入层、中间层、输出层。本文神经网络输入层包括12类样本数据，中间层包括16个神经元，输出层包括预测能见度数据。该模型采用正切S型函数作为其传递函数，并选取Trainlm作为训练函数，将最大训练次数设置为1000次，将训练目标最小误差设置为0.001，将学习速度设置为0.001。网络拓扑如图1所示。

图1网络拓扑图

3、结果与分析

3.1 网络误差变化情况

神经网络的输出与实际输出之间的误差逐渐减小，在迭代次数为6次时，此时训练集误差、测试集与验证集误差趋于一致，误差变化缓慢，网络拟合结果达到最佳。

3.2 网络参数训练情况

随着迭代次数增多，函数梯度先下降再上升。当迭代次数为6次时，梯度达到最小值，此时动量参数Mu趋于减小，交叉验证次数为6次。6次以后误差逐渐增大，网络性能训练结果变差。验证数据梯度与学习次数如图2所示。

3.3 网络性能误差情况

神经网络预测能见度结果与实际能见度之间误差主要分布在200m前后，主要集中在﹣2000～2000m之间。其中训练集误差主要集中在﹣300m前后，测试集和验证集误差主要集中在﹣1000m前后，三者误差概率分布特征各不相同。

3.4 网络模型回归结果

从模型样本和实际输出结果看，总体相关系数为0.63，训练集相关系数为0.72，均属于强相关性。验证集和测试集相关系数分别为0.41和0.48，属于中等相关性。相关系数回归如图3所示。从图3看出，模型预测结果和样本点分布趋于一致，模型构建合理。对比模型预测值和实际值发现，在已有的682个能见度样本中，预测能见度级别成功个数为560个，成功率达82.1%，预报准确率达到较高水平。

4、结论及讨论

本文使用近两年沪渝高速公路铜陵段12类气象资料进行研究，利用BP神经网络构建能见度预报模型，分析得到以下结论：①网络激活函数梯度随着迭代次数增多呈现先下降再上升的趋势。当迭代次数为6次时，梯度达到最小值，此时动量参数Mu趋于减小，此时训练集误差、测试集与验证集误差趋于一致，交叉验证次数为6次。②神经网络预测能见度结果与实际能见度之间误差主要分布在200m前后，主要集中在﹣2000～2000m之间。模型总体相关系数为强相关性，预报准确率达到较高水平，预测结果和样本点分布趋于一致，模型构建合理。③各地高速公路地理特征各不相同，影响能见度变化的因子也各不相同，结合各地地理特征选取适当的物理量因子可能会有效提高预报精度。

图3相关系数回归图

参考文献：

[1]龙科军,李超群,毛学军,等.高速公路雾天能见度预测方法[J].徐州工程学院学报,2017,32(1):31-37.

[2]艾洪福,石莹.基于BP人工神经网络的雾霾天气预测研究[J].计算机仿真,2015,32(1):402-415.

[3]王月琴,张文菊,谈玲珑.基于BP神经网络的高速公路团雾预测研究[J].佳木斯大学学报,2017,35(3):485-487.

[4]何冬梅.基于人工神经网络算法的成都大雾的预报[J].中国科技信息,2012,24(1):89-91.

[5]王彦磊,曹炳伟,黄兵,等.基于神经网络的单站雾预报试验[J].应用气象学报,2010,21(1):110-113.

[6]张平华,盛凯.基于神经网络的雾霾预测模型实证研究[J].菏泽学院学报,2018,40(5):17-21.

[7]赵智.基于遗传算法优化BP神经网络雾霾预测模型的研究[J].科技展望,2015,27(1):226-228.

[8]林建,杨贵名,毛冬艳.我国大雾的时空分布特征及其发生的环流形势[J].气候与环境研究,2008,13(2):171-181.

张杰,熊权.基于BP人工神经网络的高速公路能见度预报[J].科技与创新,2019(18):76-77.