高速公路雾天能见度预测方法

第３２卷第１期　Ｖ０１．３２　Ｎｏ．１　徐州工程学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｘｕｚｈｏｕ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅｓ　Ｅｄｉｔｉｏｎ）　２０１７年３月　

Ｍａｒ．２０１７　

高速公路雾天能见度预测方法　龙科军　，李超群　，毛学军　，胡玉婷。　（１．长沙理工大学交通运输工程学院，湖南长沙　４１０００４；　２．江西公路开发总公司，江西南昌　３３００００；３．江西省交通工程集团有限公司，江西南昌　３３００００）　

摘要：以多要素气象检测器采集的样本数据为基础，将温度、风速及湿度作为输入变量以及雾　天能见度作为输出变量，分别采用三层结构ＢＰ神经网络和支持向量机非线性回归预测方法，建立　雾天能见度的预测模型；将预测结果与实际数据进行对比分析的结果表明：ＢＰ神经网络和支持向　量机均能较好地预测雾天能见度，其中ＢＰ神经网络和支持向量机模型预测值与实际值的相关性　分别为０．８９５和０．９７８．支持向量机预测结果的误差更稳定，因而更适于处理非线性小样数据．　关键词：高速公路；雾天；能见度；ＢＰ神经网络；支持向量机　中图分类号：Ｕ４９１文献标志码：Ａ文章编号：１６７４—３５８Ｘ（２０１７）０１—００３１—０７　

据现有统计，高速公路雾天交通事故率是晴天的３～４倍口］．当道路受雾天影响无法正常运营甚至中断　时，道路通行能力和运输系统效率降低，交通事故数及严重性也会增大．因此，实时检测和准确预测高速公路　雾天能见度是高速公路雾天预警管理的关键，故而针对高速公路上不同的气象影响条件，研究高速公路雾天　能见度的预测方法．　影响高速公路雾天大气能见度的因素较多，不仅跟气象条件有关，而且与地形、人类活动等相关．各影响　因素交叉形成不同的雾天条件，雾天大气能见度也各不相同．国内外学者对雾天能见度开展了诸多研究，　Ｓａａｄａｔｓｅｒｅｓｈｔ等＿２　利用人工神经网络对大气能见度预报进行了研究；Ｃｌａｒｋ等口　构建了以湿度、气溶胶和温　度为主要影响因素的能见度预测模型；Ｃｈｍｉｅｌｅｃｋｉ等　采用贝叶斯平均方法（ＢＭＡ），利用贝叶斯概率，对雾　的产生概率进行了预测；Ｃｈｏｉ等　基于浓雾自然场景，构建了雾浓度和能见度预测模型．国内也有学者针对　雾天能见度开展了相关研究，张德山等　基于大气稳定度、水汽含量和悬浮颗粒物等气象要素，提出了大气　能见度预报指标；吴兑等　］利用数值试验，提出了四种雾区能见度预报方法；陈锋立等　］采用ＷＲＦ模式，对　大气能见度进行了数值模拟；宋明等　针对相对湿度、ＰＭ２．５和ＰＭ１０三个气象指标，分析了它们与大气能　见度的关系；管琴等　明采取中度尺预报模式ＭＭ５，对雾天能见度进行了模拟分析．过去的研究表明，能见度　的影响因素有很多，各种因素交叉复杂，且基于现场实测数据的预测方法容易受到周围环境的影响，增加预　测的难度；同时，能见度观测方式的欠缺、观测条件和环境的限制使得相关数据的采集较为困难．目前，国内　外对于雾天能见度的研究，多以历史数据为依托，利用统计方法，预测能见度的趋势，采用传统回归预测方　法，建立多元回归模型，对雾的产生概率进行预报，而对于雾天能见度的预测研究则相对比较少．已有研究发　现温度、风速、湿度是影响和决定雾天能见度的关键因素，故此以该三个因素为主要参数，以多要素气象检测　器采集得到的样本数据为基础，分别采用ＢＰ神经网络和支持向量机ＳＶＭ开展雾天能见度的预测与分析．　１　雾天能见度神经网络模型　１．１神经网络原理　ＢＰ（ｂａｃｋ　ｐｒｏｐａｇａｔｉｏｎ）是一种典型的多层前向型神经网络，具有一个输入层、数个隐藏层和一个输出　层．ＢＰ神经网络具有广泛代表性，可以实现任何一个非线性函数的映射　，其基本结构如图１所示．　

收稿日期：２０１６　Ｏ７一Ｏ６　基金项目：江西省交通运输科技计划项目（２０１３Ｃ０００８）；长沙理工大学研究生科研创新项目　作者简介：龙科军（１９７４一），男，教授，博士，硕士生导师，主要从事道路交通运输研究．　・　３１　・　徐州工程学院学报（自然科学版）　２０１７年第１期　图１　ＢＰ神经网络基本结构　１．１．１　ＢＰ神经网络学习规则　１）对所搭建网络进行初始化检验；２）从样本数据中选出用于训练的数据，并将其输入，运算得到每一层　的值；３）通过运算得到每一层输出值的偏差；４）通过偏差对每一层的权值进行调动；５）调整后检验所选训练　数据是否都满足该网络，否则重复１）～４）；６）检验整个网络的偏差能否符合所需要的精度．　１．１．２权值调整　输出层与隐含层之间的连接权值调整：　

△叫业一一叩　，　一０，１，２，…，ｍ，ｋ一１，２，…，　．　（１）　Ｕ　Ｗ１ｋ　

隐含层与输入层之间的连接权值调整：　

Ｆ　Ａｖ　一一＇７　，ｉ一０，１，２，…，ｎ，Ｊ＝１，２，…，ｍ．　（２）　

０　

１．２预测模型　

以多要素气象检测器采集的９Ｏ组实验数据为基础，选择其中的８２组来建立雾天能见度预测模型，另外　８组数据用于模型检验．为了保证检验的全面性，此８组数据覆盖０～１　ｋｍ能见度区间范围．选用３层网络　结构，利用ＭＡＴＬＡＢ软件建立预测模型，进行单步预测．其中，温度、风速、湿度这３个参数为输入层，能见　度为输出层．利用程序重复进行训练测试以后，采用经验公式，在隐含层节点数为２～１２的条件下，逐一进行　计算．结果发现，当隐含层节点数为１］时，训练精度最高．ＢＰ神经网络训练值与样本真实值比较如图２　所示．　训练集预测结果对比　ｒｏｓｅ＝０．００４　５５２　２　Ｒ　＝０．９８４７　

・　３２　・　样本编号　图２　ＢＰ神经网络训练值与样本真实值比较　龙科军，等：高速公路雾天能见度预测方法　１．３预测结果与精度检验　将８组预测样本输入模型，得到８组样本雾天能见度的预测值，采用均值、标准差和均值的标准误等统　计量，对预测结果精度进行验证；同时将预测组与实际组进行配对和变量显著性核验，对预测值与实际值的　差分和相关性进行分析．结果分别见表１、表２、表３、表４．雾天能见度ＢＰ神经网络预测值与实际值对比如图　３所示．　表１　雾天能见度的实际值与神经网络预测值　

甚　箍　

｝　｛‘　—・．－一真实　。●。‘预测值

Ｉ　｜　．　

‘ｌ　ｌ　＼　Ｉ＼　ｌ‘　＼　ｔ　Ｊ　ｋ　’．　ｔ　，　＼　’、、、～　／　＼＼、　／　

＼　｛　

、　，７　，　、　ｈｌ　、　

ｆ　ｌ　｛　Ｖ　｝．　ｉ　

图３　雾天能见度ＢＰ神经网络预测值与实际值对比　由表３、表４和图３可知：雾天能见度神经网络预测值与实际值的相关系数为正，高达８９．５　；Ｐ值为　０．００３，属于高度相关；预测组与实际组的Ｐ值为０．０５２，大于０．０５，预测值与实际值无显著差异．可见，ＢＰ　神经网络对于雾天能见度的预测具有良好的适应性．　２雾天能见度支持向量机模型　２．１支持向量机原理　支持向量机（ＳＶＭ）的理论基础来自于Ｖａｐｎｉｋ和他的合作者提出的统计学习理论．ＳＶＭ是基于统计学　・　３３　・　徐州工程学院学报（自然科学版）　２０１７年第１期　习理论的一种监督学习算法，其目标是考虑结构风险最小，寻求一个最优分类超平面口　．　不失一般性，设含有ｚ个训练样本的训练集样本为｛（　，ｙ　），ｉ一１，２，…，１），其中　是第ｉ个训练样本的　输入向量，　一［ｚ　，ｚ　，…，ｚ　］　，Ｙ　为对应的输出值．支持向量机就是要求解如下优化问题：　

１　ｌ　ｍｉｎ（—告Ｉ叫ｌｌ＋ｃ∑（　＋　）），　

ｉ—　Ｓ．ｔ．Ｙ　一　（ｚ　）一ｂ≤￡＋８，ｉ一１，２，…，Ｚ，　（３）　

一Ｙ　＋　（５Ｃ　）＋ｂ≤￡＋　，　≥０，　≥０，　式中：Ｃ为惩罚因子，ｅ为误差要求．　核函数Ｋ（ｘ　，ｚ　）的选择对于支持向量机预测模型的性能有一定影响，典型的基本核函数如下：　１）线性核函数　Ｋ（　，．７８　）一　ｚ　．　（４）　２）多项式核函数　Ｋ（－ｚ　，ｚ　）一（弦　Ｉｚ，＋ｓ）　．　（５）　３）径向基核函数（ＲＢＦ）　Ｋ（ｚ，，　，）一ｅｘｐ（一），ｌｌ　ｚ　一３２，Ｊｌ　）．　（６）　４）Ｓｉｇｍｏｉｄ核函数　Ｋ（ｚ　，ｚ　）＝＝＝ｔａｎｈ（一ｙｘ￣ｒｘ，＋ｓ）．　（７）　

２．２预测模型　将雾天能见度看作时间序列｛Ｘ（￡），ｔ一１，２，…，　｝，则预测模型可以描述为：　ｘ（￡）一　［ｘ（￡一１），ｘ（ｔ一２），…，Ｘ（ｔ一　）］，　（８）　式中：　为非线性函数，Ｐ为嵌入维数．　利用ＭＡＴＬＡＢ软件建立预测模型，其中温度、风速、湿度３个参数为输入向量，能见度为输出向量．与　ＢＰ神经网络预测模型对应，采用相同的８２组训练组，对样本进行分类．为验证预测效果，采用同样的８组数　据作为测试组．高速公路雾天能见度预测的建模流程如图４所示．　

・　３４　・　输　入　结　数　训　

冰　据　练　状　预　样　态　处　太　参　理　集　

数　

图４　高速公路雾天能见度预测的建模流程　龙科军，等：高速公路雾天能见度预测方法　这里，采用ＲＢＦ函数作为核函数的首选，即　Ｋ（　，　，）＝＝＝ｅｘｐ（一），Ｉｌ　一ｚ，ｌ】　），ｙ＞０．　（９）　ＲＢＦ核函数相比其他核函数具有以下优点口　：１）需要确定的参数较少，数值复杂度较低，减少数值的计　算困难；２）能够处理分类标注和属性的非线性关系；３）主要用于线性不可分的情形．　２．３预测结果与精度检验　输人８组检验样本的温度、风速及湿度数据，得到相应的预测值，对预测值与真实值的差分和相关性进　行分析．结果见表５、表６、表７、表８．支持向量机预测值与实际值对比如图５所示．　

表５　雾天能见度的实际值与支持向量机预测值　

１２００　１０００　Ｊ　＝：：妻嚣等量机预　值ｌ　

，　，　、　，　

｛　

ｌ　‘ｌ　／　ｌ＿　Ｉ　

｛　＿＼　、　

。　；　

组号　图５　支持向量机预测值与实际值对比　

由表７、表８和图５可知：雾天能见度支持向量机ＳＶＭ预测值与实际值的相关系数为正，高达９７．８　，　Ｐ值为０，属于高度相关；预测组与实际组的Ｐ为０．８２４，大于０．０５，预测组与实际组数据无显著差异．可见，　支持向量机预测模型能较好地预测能见度．　

・　３５　・　

Ｏ　∞　Ⅲ／