基于RBF神经网络的不利天气道路通行能力计算.pdfVIP

基于RBF神经网络的不利天气道路通行能力计算——章锡俏 盛洪飞 姚艳雪 基于RBF神经网络的 不利天气道路通行能力计算* 章锡俏 盛洪飞 姚艳雪。 (哈尔滨工业大学 哈尔滨 150090) (哈尔滨师范大学 哈尔滨150500) 摘 要 不利天气下影响城市道路通行能力的各种因素都具有随机的、非线性，采用常态条 件下修正理论通行能力的计算方法是不适合的。文章结合RBF神经网络模型方法能够良好地分析 出随机的、非线性的特点，对路网组成单元进行重新划分，选定不利天气下道路通行能力的影响因 素，建立了道路通行能力计算的RBF神经网络模型。并依据哈尔滨市暴雨天气下道路的实际情况 进行了算例分析，计算的道路通行能力与实测数据最大误差为一1．16 oA，验证了模型的可行性和 有效性。 关键词 不利天气；道路通行能力；RBF神经网络 中图法分类号：U491 文献标识码：A 同的影响因素作为输入值，进行径向基函数神经 O 引 言 网络的训练，得到道路通行能力。 道路通行能力是指在一定的道路交通条件 1 路网组成单元的重新划分 下，单位时间内某一车道或道路某一断面能通过 的最大车辆数。目前，计算道路通行能力的方法可 在城市道路网中，路段与交叉口是路网中最 以分为两类：一类是以理论通行能力计算为基础 常见的基本组成元素。不利天气下路段与交叉口 的，另一类是以实测交通流量为基础的。第一类方 之间的相互作用所导致车辆的停车排队现象会使 法是在道路理论通行能力的基础上，考虑影响道 路网整体的容量降低，而交叉口长度与路段长度 路通行能力的诸多因素，通过对与理想道路、交通 相比又显得微不足道，因此基于车辆使用道路的 条件不相符的实际道路和交通条件进行修正，例 特点，及不同的道路所表现出来的车辆运行特点， 如车道宽度、侧向净空、车辆组成、道路纵坡等，从 对路网的组成单元进行重新划分是极其有必要 而确定道路的实际通行能力El-z3。可以看出，理论 的。按照是否会形成排队等待的状况作为划分单 通行能力是理想的道路与交通条件下的通行能 元的依据，结合城市各等级道路的特点分析，将城 力，其计算方法缺乏对其内在交通机理的深入分 市道路网划分为以下基本组成单元： 析，虽然乘以了系列折减系数，但是这种关系缺乏 (1)快速路基本组成单元。基本路段+下游 理论上的说明和影响机理的分析。在实际中，完全 的相邻匝道(包括合流、分流及交织的匝道组合)。 理想的状况是不存在的，不利天气下的道路通行 (2)主干路、次干路基本组成单元。路段+相 能力除了受车道宽度、侧向净空等确定性因素影 邻下游交叉口。 响以外，还受许多随机性因素的影响(如降雨强 (3)匝道基本组成单元。单个进出匝道作为 度、风力、可见度等)。这些随机性影响因素与通行 独立组成单元。 能力之间的关系比较复杂，所以本文采用以实测 由于交叉口种类的繁多，从不同类别划分 交通流量为基础的方法，应用径向基函数神经网 角度，可组成不同种类的路网组成单元，但该类路 络模型来处理不利天气和通行能力之间这种非线 网组成单元都是基于车辆进入路段以及离开下游 性函数关系，对路网组成单元的重新划分，采用不