基于自适应神经模糊推理系统的道路交通状态评价方法技术方案

本发明专利技术涉及一种基于自适应神经模糊推理系统的道路交通状态评价方法，包括训练阶段与测试阶段；其中，训练阶段包括：读取输入变量与输出变量的历史数据；将历史数据输入到自适应神经模糊推理系统中，得到自适应神经模糊推理系统的输出结果；基于反传思想的参数学习规则，结合自适应神经模糊推理系统的输出结果对参数进行调整，得到经过参数调整后的自适应神经模糊推理系统；计算参数调整后的自适应神经模糊推理系统的最小均方差，判断该值是否达到一指定阈值，如果达到，意味着训练阶段结束；测试阶段包括：读取测试数据；将测试数据输入到经由训练阶段训练得到的自适应神经模糊推理系统中，得到用于描述道路交通状态的服务水平的值。

【技术实现步骤摘要】

本专利技术涉及道路监控领域，特别涉及一种基于自适应神经模糊推理系统的道路交通状态评价方法。
技术介绍
随着经济的发展和汽车的普及，交通拥挤已经成为大中城市普遍面临的难题。对道路的交通状态进行评价是缓解交通拥挤，对交通事故做出快速响应的前提。现有技术中，关于交通系统运行状况评价的研究成果大部分是都是针对高速公路的研究，在城市道路方面，研究成果相对较少。道路通行能力手册在交通系统性能评价方面较为权威，该手册针对城市道路交通状况(包括交叉口和主干道)的评价进行过讨论，但是对于其中性能指标的获取方法则是依靠公式估算而非实地测量，同时道路通行能力手册是依据美国道路的理想状态来建立性能指标的估算模型，并不适合我国国情。袁晶矜，袁振洲在参考文献1《“信号交叉口通行能力计算方法的比较分析”，公路交通技术，2006(5)，23-29》针对我国的道路情况，对已有的评价模型进行修正，改进模型的实效性、准确性、客观性和应用性都有待进一步证明。JungkeunYoon和BrianNoble在参考文献2《“Surfacestreettrafficestimation”，InProceedingsofthe5thAnnualACM/USENIXConferenceonMobileSystems,Applications,andServices(MobiSys).SanJuan,PR.June2007.p.220—232》针对城市道路交通状况提出了一种新的评价方法，利用安装有双向通信能力GPS设备的车辆获取城市道路的交通状况信息(主要是速度信息)来评价某条道路的交通状况，但是无法对单个交叉口和城市路网的交通状况进行评价。赵明，侯忠生在参考文献3《“数据驱动的信号交叉口交通状况评价”，InProceedingsofthe27thChineseControlConference,July16-18,1008,Kunming,China,p.559—563》中从交通系统管理者和使用者的角度出发，提出了两个性能指标——系统平均速度和服务水平指数——来评价交叉口的交通状况，但是从管理者和使用者的角度并不能充分的解释和利用这两个性能指标，并且在计算服务水平指标时只是对交叉口进行了评价，并没有明确地提出针对路网的评价方法。此外，沈屹楠在其硕士学位论文“城市道路交通评价方法及评价系统开发”中针对由大量交叉口组成的交通网络，针对点、线、面等三个方面分别进行城市道路交通状况的性能指标评价，为交通路网的综合评价提供了一种新的思路。现有技术存在如下缺点：在城市道路交通系统中，作为一种定性的评测方法，服务水平(LOS)描述某个道路交通系统整体的运行状况以及驾驶者和乘客对其的感受，是城市道路交通系统一个重要的评价指标。已经存在的各种LOS评价方法，大多是基于单指标进行定量评价，通过对比该指标和LOS等级之间的关系，对交通基础设施可提供的服务等级进行评价。这些方法没有考虑该评价问题本身的定性方面，并不能充分体现交通系统评价的主观性和整体性，建立多指标的综合评价模型是道路交通LOS评价的重要课题。
技术实现思路
本专利技术的目的在于克服已有的城市道路交通状态的定性评测方法准确程度有限的缺陷，从而提供一种准确度高、测试误差值低的道路交通状态评价方法。为了实现上述目的，本专利技术提供了一种基于自适应神经模糊推理系统的道路交通状态评价方法，包括训练阶段与测试阶段；其中，所述训练阶段包括以下步骤：步骤101)、读取输入变量与输出变量的历史数据；所述输入变量包括流量、占有率和速度，所述输出变量包括服务水平值；步骤102)、将步骤101)所输入的历史数据输入到自适应神经模糊推理系统中，得到自适应神经模糊推理系统的输出结果；基于反传思想的参数学习规则，结合所述自适应神经模糊推理系统的输出结果对自适应神经模糊推理系统的参数进行调整，得到经过参数调整后的自适应神经模糊推理系统；其中，所述自适应神经模糊推理系统的参数包括前提参数、结论参数、为输入变量设定的权重参数、为规则设定的权重参数；所述前提参数由推理前件的隶属度函数形状决定；所述结论参数由推理后件的隶属度函数形状决定；步骤103)、计算步骤102)所得到的参数调整后的自适应神经模糊推理系统的最小均方差，判断该值是否达到一指定阈值，如果达到，意味着训练阶段结束；否则，执行下一步；步骤104)、读取一组新的关于输入变量与输出变量的历史数据，然后重新执行步骤102)；所述测试阶段包括以下步骤：步骤201)、读取测试数据，所述测试数据包括：流量、占有率和速度的历史数据；步骤202)、将测试数据输入到经由训练阶段训练得到的自适应神经模糊推理系统中，得到用于描述道路交通状态的服务水平的值。上述技术方案中，所述自适应神经模糊推理系统包括五层，分别为：第一层：模糊层，用于将精确输入模糊化；O1,i＝μAi(x),i＝1,2或O1,i=μBi-2(y),i=3,4]]>其中，Oj,i表示第j层的第i个结点输出，μAi、为前件的隶属度函数，这两个前件隶属度函数用广义钟形MF来定义：μA=11+[((x-ci)/ai)2]bi]]>或μB=11+[((x-ci)/ai)2]bi]]>其中的ai、bi、ci为前提参数；第二层，推理层，用于计算每条规则的激励强度wi；O2,i=wi=[μ1‾+μ1×μAi(x)]×[μ2‾+μ2×μBi(y)]]]>其中，i＝1、2，μi表示每个输入的权重，第三层，隐含层，用于计算每条规则的有效后件MF；O3,i＝wiοci其中，i＝1、2；ci推理后件；“ο”表示隐含算子；第四层，聚合层，用于计算所有规则有效后件MF的总和；O4＝∑(wiοci-wi-1οci-1)×τi其中，i＝1、2；τi表示每条规则的权重；聚合算子∑(wiοci-wi-1οci-1)×τi采用choquet积分；第五层，去模糊层，用于计算系统的精确输出；O5＝f＝DοO4其中，D表示去模糊算子，其计算采用中心去模糊化法实现。上述技术方案中，对自适应神经模糊推理系统的参数进行调整参照如下公式：Δwji＝η(di-xi)·xj·X其中，Δwij表示自适应神经模糊推理系统中任一参数的增量；η是学习步长，di是结点i的期望输出，xi是结点i的实际输出，xj是结点i的输入，结点i是结点j的上一层结点，j<i；X是一多项式，用(xi×(1-xi))表达。上述技术方案中，所述自适应神经模糊推理系统在推理层用OWA算子来替换AND算子或OR算子，计算激励强度；在聚合层用choquet积分来实现聚合；去模糊化算子采用中心去模糊化法；并且设定每个输入的权重，用μi表示；设定每条规则的权重，用τi表示。本专利技术的优点在于：本专利技术的道路交通状态评价方法与现有方法相比准确度高，测试误差值低。附图说明图1是基于Choquet积分-OWA的模糊推理系统的推理过程示意图；图2是一个自适应神经模糊推理系统的例子的示意图；图3是本专利技术所建立的基于Agg-AN本文档来自技高网...

【技术保护点】
一种基于自适应神经模糊推理系统的道路交通状态评价方法，包括训练阶段与测试阶段；其中，所述训练阶段包括以下步骤：步骤101)、读取输入变量与输出变量的历史数据；所述输入变量包括流量、占有率和速度，所述输出变量包括服务水平值；步骤102)、将步骤101)所输入的历史数据输入到自适应神经模糊推理系统中，得到自适应神经模糊推理系统的输出结果；基于反传思想的参数学习规则，结合所述自适应神经模糊推理系统的输出结果对自适应神经模糊推理系统的参数进行调整，得到经过参数调整后的自适应神经模糊推理系统；其中，所述自适应神经模糊推理系统的参数包括前提参数、结论参数、为输入变量设定的权重参数、为规则设定的权重参数；所述前提参数由推理前件的隶属度函数形状决定；所述结论参数由推理后件的隶属度函数形状决定；步骤103)、计算步骤102)所得到的参数调整后的自适应神经模糊推理系统的最小均方差，判断该值是否达到一指定阈值，如果达到，意味着训练阶段结束；否则，执行下一步；步骤104)、读取一组新的关于输入变量与输出变量的历史数据，然后重新执行步骤102)；所述测试阶段包括以下步骤：步骤201)、读取测试数据，所述测试数据包括：流量、占有率和速度的历史数据；步骤202)、将测试数据输入到经由训练阶段训练得到的自适应神经模糊推理系统中，得到用于描述道路交通状态的服务水平的值。...

【技术特征摘要】
1.一种基于自适应神经模糊推理系统的道路交通状态评价方法，包括训练阶段与测试阶段；其中，所述训练阶段包括以下步骤：步骤101)、读取输入变量与输出变量的历史数据；所述输入变量包括流量、占有率和速度，所述输出变量包括服务水平值；步骤102)、将步骤101)所输入的历史数据输入到自适应神经模糊推理系统中，得到自适应神经模糊推理系统的输出结果；基于反传思想的参数学习规则，结合所述自适应神经模糊推理系统的输出结果对自适应神经模糊推理系统的参数进行调整，得到经过参数调整后的自适应神经模糊推理系统；其中，所述自适应神经模糊推理系统的参数包括前提参数、结论参数、为输入变量设定的权重参数、为规则设定的权重参数；所述前提参数由推理前件的隶属度函数形状决定；所述结论参数由推理后件的隶属度函数形状决定；步骤103)、计算步骤102)所得到的参数调整后的自适应神经模糊推理系统的最小均方差，判断该值是否达到一指定阈值，如果达到，意味着训练阶段结束；否则，执行下一步；步骤104)、读取一组新的关于输入变量与输出变量的历史数据，然后重新执行步骤102)；所述测试阶段包括以下步骤：步骤201)、读取测试数据，所述测试数据包括：流量、占有率和速度的历史数据；步骤202)、将测试数据输入到经由训练阶段训练得到的自适应神经模糊推理系统中，得到用于描述道路交通状态的服务水平的值。2.根据权利要求1所述的基于自适应神经模糊推理系统的道路交通状态评价方法，其特征在于，所述自适应神经模糊推理系统包括五层，分别为：第一层：模糊层，用于将精确输入模糊化；O1,i＝μAi(x),i＝1,2或O1,i=μBi-2(y),i=3,4]]>其中，Oj,i表示第j层的第i个结点输出，μAi、为前件的隶属度函数，这两
\t个前件隶属度函数用广义钟形MF来定义μA=11+[((x-ci)/ai)2]b...

【专利技术属性】
技术研发人员：柴园园，陈钧，罗威，田丰，蔡超，薛万鹏，张吉才，高辉，孙鑫，于洋，谭玉珊，
申请(专利权)人：中国国防科技信息中心，
类型：发明
国别省市：北京;11