CN115081592B - 基于遗传算法和前馈神经网络的公路低能见度预估方法 - Google Patents
基于遗传算法和前馈神经网络的公路低能见度预估方法 Download PDFInfo
- Publication number
- CN115081592B CN115081592B CN202210661264.6A CN202210661264A CN115081592B CN 115081592 B CN115081592 B CN 115081592B CN 202210661264 A CN202210661264 A CN 202210661264A CN 115081592 B CN115081592 B CN 115081592B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- value
- visibility
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002068 genetic effect Effects 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 210000002569 neuron Anatomy 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000000739 chaotic effect Effects 0.000 claims abstract description 29
- 230000004913 activation Effects 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 38
- 230000035772 mutation Effects 0.000 claims description 24
- 239000000809 air pollutant Substances 0.000 claims description 11
- 231100001243 air pollutant Toxicity 0.000 claims description 11
- 210000005036 nerve Anatomy 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 4
- 230000009469 supplementation Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 235000004257 Cordia myxa Nutrition 0.000 claims 2
- 244000157795 Cordia myxa Species 0.000 claims 2
- 238000003062 neural network model Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Atmospheric Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于遗传算法和前馈神经网络的公路低能见度预估方法,包括:建立公路局部气象样本数据集,并分为训练数据集和预测数据集;构建包含输入层、隐藏层和输出层的神经网络拓扑结构;确定神经网络信号激活传递规则和初始化赋值,建立神经网络初始化模型;通过混沌序列遗传算法建模优化神经网络初值;更新模型中各神经元的权重值和偏差值,得到神经网络基本模型;输入训练数据集数据至神经网络基本模型进行训练,得到多层前馈神经网络最优模型,将预测数据集数据输入最优模型中,输出公路沿线能见度预估值,得到能见度预估等级。本发明实现了对公路低能见度事件的30分钟级精确短临预测,为公路低能见度事件精细化应急处置提供有效支撑。
Description
技术领域
本发明属于交通与气象领域,特别涉及一种基于遗传算法和前馈神经网络的公路低能见度预估方法。
背景技术
受公路局部气候影响,路域范围内发生的大雾和团雾是影响公路安全通行的典型恶劣天气事件。公路能见度指具有正常视力的行驶车辆驾驶员将目标物从背景中识别出的最大距离,是判断大雾和团雾事件发生的重要指标。对于公路低能见度进行有效短临预测,实现大雾和团雾恶劣天气的预报预警,能够显著降低上述低能见度天气对于公路安全通行的不良影响。
近年来,以随机森林、梯度提升树、支持向量机为代表的人工智能方法已逐步取代传统的数值模式分析法和统计学方法,成为公路低能见度预估的代表性手段。随着能见度短临预测的需求时间窗不断细化,上述方法在处理海量训练数据时存在着泛化能力有限、资源占用高等局限性。而以神经网络模型为代表的机器学习方法由于其准确度高、计算效率高、自适应性强的特点,已开始应用于能见度预估领域。神经网络模型的训练效果受初始权重值和偏差值的影响,也存在着模型不易收敛、计算结果常陷入局部最优等问题。
发明内容
本发明的目的在于针对现有技术存在的问题,提供一种基于混沌序列遗传算法和多层前馈神经网络的公路低能见度预估方法。基于气象监测站采集的公路沿线气象环境数据,通过混沌序列遗传算法改进的多层前馈神经网络模型,对公路未来临近时段的能见度情况进行预估,为公路低能见度事件精细化应急处置提供支撑。
实现本发明目的的技术解决方案为:一种基于遗传算法和前馈神经网络的公路低能见度预估方法,所述方法包括以下步骤:
步骤1,建立公路局部气象样本数据集;
获取公路沿线多个时刻的局部温度、湿度、风速、风向、气压、空气污染物浓度和能见度值这些环境气象数据,建立公路局部气象样本数据集,并将样本数据集拆分为训练数据集和预测数据集;
步骤2,构建神经网络拓扑结构;
基于步骤1获取样本数据集的组成,构建包含输入层、隐藏层和输出层的神经网络拓扑结构,并计算各层神经元数量;
步骤3,建立神经网络初始化模型;
建立神经网络信号激活传递规则,对步骤2所得神经网络拓扑结构中各层权重值和偏差向量进行初始化赋值,得到神经网络初始权重值和偏差值,建立神经网络初始化模型;
步骤4,混沌序列遗传算法建模优化神经网络初值;
对步骤3所得神经网络初始化模型中的初始权重值和偏差值进行个体编码,构建遗传算法初始种群,迭代执行选择、交叉、变异过程,运用混沌序列补充个体数量,最终输出适应度最高的种群,作为神经网络最佳初值;
步骤5,建立神经网络基本模型;
将步骤4所得神经网络最佳初值输入步骤3构建的神经网络初始化模型,更新模型中各神经元的权重值和偏差值,得到神经网络基本模型;
步骤6,训练建立多层前馈神经网络最优模型;
将步骤1所得训练数据集输入步骤5所得神经网络基本模型,进行神经网络前向传播,基于误差梯度计算进行反向传播,不断优化各层神经元的权重值和偏差值,经反复迭代,最终得到多层前馈神经网络最优模型;
步骤7,输出能见度预估值;
将步骤1所得预测数据集输入步骤6建立的多层前馈神经网络最优模型,得到公路沿线在需求时刻的能见度预估值。
步骤8,判断步骤7所得能见度预估值所属能见度预估等级并输出。
进一步地,所述步骤1获取的样本数据集中,应依据模型预测的回归关系,将各需求时刻的温度、湿度、风速、风向、气压、空气污染物浓度值作为自变量,需求时刻30分钟后的能见度值作为因变量。
进一步地,步骤2具体包括:
步骤2.1,选择多层神经网络作为基于遗传算法和前馈神经网络的公路低能见度预估方法的拓扑结构,包括神经网络的输入层、隐藏层、输出层;
步骤2.2,根据步骤1获取训练数据集的组成,建立包含6个神经元的神经网络输入层,分别对应特定时刻公路沿线的温度、湿度、风速、风向、气压和空气污染物浓度;
步骤2.3,构建层数为1的隐藏层,计算隐藏层包含的神经元数n,计算公式为:
式中,p为输入层神经元数,q为输出层神经元数,l为取值范围在1-10的常数;
步骤2.4,根据能见度预估需求,建立包含1个神经元的神经网络输出层,对应公路局部环境气象因素影响下通过神经网络学习得到的能见度数值。
进一步地,步骤3具体包括:
步骤3.1,建立神经网络信号激活传递规则,规定神经元对输入信号进行加权求和,结果突破预设偏差值时,数据信号经激活函数计算传递至下一层神经元,计算公式为:
O=f(I-ε)
式中,I为神经元对输入信号的加权求和结果,wi为前一层第i个神经元的权重,xi为第i个神经元的输入,O为该神经元向下一层传递的结果,f()为激活函数,ε为该神经元的偏差值;
步骤3.2,选择标度指数线性单位函数SELU作为该神经网络的激活函数,该激活函数计算公式为:
式中,λ和α均为经试算后人工标定的参数;
步骤3.3,在(-1,1)区间内生成随机数,分别对神经网络拓扑结构中各层神经元权重和偏差进行初始化赋值,得到神经网络初始权重值和偏差值,建立神经网络初始化模型。
进一步地,步骤4具体包括:
步骤4.1,对步骤3得到的神经网络初始权重值和偏差值进行个体编码,构成遗传算法初始种群;
步骤4.2,设定遗传算法的适应度函数,以遗传算法输出结果与输出期望误差平方和最小为目标,适应度函数公式为:
式中,MSE为遗传算法输出结果与输出期望的均方误差;
步骤4.3,根据适应度函数计算遗传算法初始种群中各个体的适应度值,初始种群中个体数为N;
步骤4.4,对种群中的个体进行选择操作,选择后种群的个体数为N1;设定轮盘赌算子为选择方法,该方法中,第i个个体在规模为n的群体中被选择的概率计算公式为:
式中,fi表示第i个个体的适应度值,fj表示群体中的任意个体;
步骤4.5,对经过选择的个体进行交叉操作,交叉后种群新生成的个体数为N2;设定两点交叉算子为交叉方法,任意个体s、t通过两点交叉方法得到新个体s’和t’的计算公式为:
式中,k表示发生交叉的概率,为取值在(0,1)的常数;
步骤4.6,运用混沌序列方法向经过选择和交叉的种群中补充N-(N1+N2)个个体,使当前种群数量扩充至N;其中运用混沌序列方法进行个体补充的计算公式为:
Xi+1=μXi(1-Xi)
式中,Xi为用随机数生成的个体,Xi+1为经过混沌序列计算得到的待补充个体,μ为控制变量;0≤Xi≤1,3.56≤μ≤4;
步骤4.7,对经过交叉和混沌序列补充的个体进行变异操作,设定基本变异算子为变异方法,该方法基于变异概率对个体中特定基因组或者部分基因组成的突变点进行替换,输出经过遗传行为的新个体;
步骤4.8,计算输出新个体的适应度值,并对新个体重新进行选择、交叉、混沌序列补充和变异过程,迭代计算输出个体的适应度值,直至最大适应度值出现,停止迭代,得到最优个体,作为神经网络最佳初值。
进一步地,步骤5中具体为:将神经网络初始化模型中的权重值和偏差值更新为步骤4所得的最佳初始权重值和偏差值,建立神经网络基本模型。
进一步地,步骤6具体包括:
步骤6.1,将步骤1所得训练数据集数据输入步骤5所得神经网络基本模型,设定模型训练的最高学习次数和期望误差值,作为模型训练终止的依据;
步骤6.2,对于训练样本进行神经网络前向传播,计算公式为:
式中,f()为SELU激活函数,I(m+1)为第m+1层的广义输入向量,其维度为N(m+1)×1,为第m层前向传播的输出向量,其维度为N(m)×1,w(m)为第m层到第m+1层的权重矩阵,其维度为N(m+1)×N(m),ε(m)为第m层到第m+1层的偏差向量,其维度为N(m+1)×1;
步骤6.3,运用损失函数衡量神经网络基本模型前向输出层预测结果与能见度实际值间的误差,所述损失函数为:根据Delta原则选择均方误差MSE作为损失函数/>
步骤6.4,计算损失函数关于输出层矩阵的导数,得到神经网络基本模型中输出层的误差梯度,计算公式为:
式中,δ(3)为第3层即输出层的误差梯度,O(3)为第3层的实际输出向量,其维度为1×1维,·*表示两个向量逐元素相乘,f’()表示激活函数的导数;
步骤6.5,进行神经网络反向传播,逐层向前计算各层的误差梯度,计算公式为:
式中,δ(m)为第m层即输出层的误差梯度,O(m)为第m层的实际输出向量,其维度为1×1维,为第m层权重矩阵的转置;
步骤6.6,基于各层的误差梯度,对各层权重及偏差进行更新,计算公式为:
w(m)=w(m)-α·δ(m+1)(O(m))T
ε(m)=ε(m)-α·δ(m+1)
式中,α为反向传播学习率,为取值在(0,1)的常数;
步骤6.7,返回步骤6.2执行前向传播,对训练样本重复步骤6.2至步骤6.6进行神经网络学习,直到达到步骤6.1所设定的最高学习次数和期望误差值,完成多层前馈神经网络最优模型训练。
进一步地,步骤8中能见度预估等级根据能见度预估值进行划分,包括等级依次升高的正常、一级预警、二级预警、三级预警和四级预警;
其中,V为能见度预估值,V1至V4为设定的预警能见度阈值,V、V1至V4的单位为m。
本发明与现有技术相比,其显著优点为:
(1)本发明运用遗传算法优化神经网络模型初始权重值和偏差值,显著提高了公路低能见度预估模型的预测精度和收敛性,降低了现有技术中存在的神经网络模型的训练效果受初始权重值和偏差值的影响,全面提高模型的短临预测能力。
(2)本发明在遗传算法迭代过程中,运用混沌序列方法补充群体中的个体,充分提高了遗传算法的全局搜索能力,避免了遗传算法陷入局部最优解的问题。
(3)本发明运用标度指数线性单位函数(SELU)作为神经网络的激活函数,有效解决了模型训练过程中的梯度消失问题,提高了模型预测结果的可靠性。
(4)本发明将基于混沌序列遗传算法优化的多层前馈神经网络模型应用于公路低能见度事件预测中,实现了对未来30分钟发生低能见度事件的精确预测,为大雾、团雾等恶劣天气下公路精细化应急处置提供了有效支撑。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于混沌序列遗传算法和多层前馈神经网络的公路低能见度预估方法的流程图。
图2为本发明提出的神经网络结构图。
图3为混沌序列遗传算法优化的多层前馈神经网络示意图。
具体实施方式
应当理解,下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
可以理解的是,大气能见度定义为反映大气透光程度的一个指标,一般定义为具有正常视力的公路行驶车辆驾驶员视线从背景中识别目标物的最大距离。还应理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
本发明提出了一种基于遗传算法和前馈神经网络的公路低能见度预估方法,所述方法包括以下步骤:
步骤1,建立公路局部气象样本数据集;
获取公路沿线多个时刻的局部温度、湿度、风速、风向、气压、空气污染物浓度和能见度值这些环境气象数据,建立公路局部气象样本数据集,并将样本数据集拆分为训练数据集和预测数据集;
步骤2,构建神经网络拓扑结构;具体包括:
步骤2.1,选择多层神经网络作为基于遗传算法和前馈神经网络的公路低能见度预估方法的拓扑结构,包括神经网络的输入层、隐藏层、输出层;
步骤2.2,根据步骤1获取训练数据集的组成,建立包含6个神经元的神经网络输入层,分别对应特定时刻公路沿线的温度、湿度、风速、风向、气压和空气污染物浓度;
步骤2.3,构建层数为1的隐藏层,计算隐藏层包含的神经元数n,计算公式为:
式中,p为输入层神经元数,q为输出层神经元数,l为取值范围在1-10的常数;
步骤2.4,根据能见度预估需求,建立包含1个神经元的神经网络输出层,对应公路局部环境气象因素影响下通过神经网络学习得到的能见度数值;
步骤3,建立神经网络初始化模型;具体包括:
步骤3.1,建立神经网络信号激活传递规则,规定神经元对输入信号进行加权求和,结果突破预设偏差值时,数据信号经激活函数计算传递至下一层神经元,计算公式为:
O=f(I-ε)
式中,I为神经元对输入信号的加权求和结果,wi为前一层第i个神经元的权重,xi为第i个神经元的输入,O为该神经元向下一层传递的结果,f()为激活函数,ε为该神经元的偏差值;
步骤3.2,选择标度指数线性单位函数SELU作为该神经网络的激活函数,该激活函数计算公式为:
式中,λ和α均为经试算后人工标定的参数;
步骤3.3,在(-1,1)区间内生成随机数,分别对神经网络拓扑结构中各层神经元权重和偏差进行初始化赋值,得到神经网络初始权重值和偏差值,建立神经网络初始化模型。
步骤4,混沌序列遗传算法建模优化神经网络初值;具体包括:
步骤4.1,对步骤3得到的神经网络初始权重值和偏差值进行个体编码,构成遗传算法初始种群;
步骤4.2,设定遗传算法的适应度函数,以遗传算法输出结果与输出期望误差平方和最小为目标,适应度函数公式为:
式中,MSE为遗传算法输出结果与输出期望的均方误差;
步骤4.3,根据适应度函数计算遗传算法初始种群中各个体的适应度值,初始种群中个体数为N;
步骤4.4,对种群中的个体进行选择操作,选择后种群的个体数为N1;设定轮盘赌算子为选择方法,该方法中,第i个个体在规模为n的群体中被选择的概率计算公式为:
式中,fi表示第i个个体的适应度值,fj表示群体中的任意个体;
步骤4.5,对经过选择的个体进行交叉操作,交叉后种群新生成的个体数为N2;设定两点交叉算子为交叉方法,任意个体s、t通过两点交叉方法得到新个体s’和t’的计算公式为:
式中,k表示发生交叉的概率,为取值在(0,1)的常数;
步骤4.6,运用混沌序列方法向经过选择和交叉的种群中补充N-(N1+N2)个个体,使当前种群数量扩充至N;其中运用混沌序列方法进行个体补充的计算公式为:
Xi+1=μXi(1-Xi)
式中,Xi为用随机数生成的个体,Xi+1为经过混沌序列计算得到的待补充个体,μ为控制变量;0≤Xi≤1,3.56≤μ≤4;
步骤4.7,对经过交叉和混沌序列补充的个体进行变异操作,设定基本变异算子为变异方法,该方法基于变异概率对个体中特定基因组或者部分基因组成的突变点进行替换,输出经过遗传行为的新个体;
步骤4.8,计算输出新个体的适应度值,并对新个体重新进行选择、交叉、混沌序列补充和变异过程,迭代计算输出个体的适应度值,直至最大适应度值出现,停止迭代,得到最优个体,作为神经网络最佳初值。
步骤5,建立神经网络基本模型,具体为:将神经网络初始化模型中的权重值和偏差值更新为步骤4所得的最佳初始权重值和偏差值,建立神经网络基本模型。
步骤6,训练建立多层前馈神经网络最优模型;具体包括:
步骤6.1,将步骤1所得训练数据集数据输入步骤5所得神经网络基本模型,设定模型训练的最高学习次数和期望误差值,作为模型训练终止的依据;
步骤6.2,对于训练样本进行神经网络前向传播,计算公式为:
式中,f()为SELU激活函数,I(m+1)为第m+1层的广义输入向量,其维度为N(m+1)×1,为第m层前向传播的输出向量,其维度为N(m)×1,w(m)为第m层到第m+1层的权重矩阵,其维度为N(m+1)×N(m),ε(m)为第m层到第m+1层的偏差向量,其维度为N(m+1)×1;
步骤6.3,运用损失函数衡量神经网络基本模型前向输出层预测结果与能见度实际值间的误差,所述损失函数为:根据Delta原则选择均方误差MSE作为损失函数/>
步骤6.4,计算损失函数关于输出层矩阵的导数,得到神经网络基本模型中输出层的误差梯度,计算公式为:
式中,δ(3)为第3层即输出层的误差梯度,O(3)为第3层的实际输出向量,其维度为1×1维,·*表示两个向量逐元素相乘,f’()表示激活函数的导数;
步骤6.5,进行神经网络反向传播,逐层向前计算各层的误差梯度,计算公式为:
式中,δ(m)为第m层即输出层的误差梯度,O(m)为第m层的实际输出向量,其维度为1×1维,为第m层权重矩阵的转置;
步骤6.6,基于各层的误差梯度,对各层权重及偏差进行更新,计算公式为:
w(m)=w(m)-α·δ(m+1)(O(m))T
ε(m)=ε(m)-α·δ(m+1)
式中,α为反向传播学习率,为取值在(0,1)的常数;
步骤6.7,返回步骤6.2执行前向传播,对训练样本重复步骤6.2至步骤6.6进行神经网络学习,直到达到步骤6.1所设定的最高学习次数和期望误差值,完成多层前馈神经网络最优模型训练。
步骤7,输出能见度预估值;
步骤8,判断步骤7所得能见度预估值所属能见度预估等级并输出,其中能见度预估等级根据能见度预估值进行划分,包括等级依次升高的正常、一级预警、二级预警、三级预警和四级预警;
其中,V为能见度预估值,V1至V4为设定的预警能见度阈值,V、V1至V4的单位为m。
作为一种具体示例,在其中一个实施例中,收集公路9个路侧气象监测站2021年12月1日至2022年3月30日之间的气象数据,共15,8754条数据。如图1所示,本发明一种基于混沌序列遗传算法和多层前馈神经网络的公路能见度预估方法,包括如下步骤:
(1)获取公路沿线环境气象数据,建立训练数据集,具体包括如下步骤:
(1.1)除去时间、设备编号等系统变量,将根据所获取数据建立样本数据集,其中需求时刻的温度、湿度、风速、风向、气压、空气污染物浓度6个环境变量作为模型训练输入自变量,需求时刻30分钟后的能见度值作为模型训练输入因变量。样本数据集中各变量名称与含义如表1所示:
表1样本数据变量说明
(1.2)将样本数据集Δ按照4:1的比例分为训练数据集Δ和预测数据集训练数据集Δ共有127,004条数据,预测数据集/>共有3,1750条数据。
(2)构建神经网络拓扑结构Ω,具体包括如下步骤:
(2.1)选择多层神经网络作为基于遗传算法和前馈神经网络的公路低能见度预估方法的拓扑结构;
(2.2)根据所述步骤(1)获取训练数据集的组成,建立包含6个神经元的神经网络输入层,分别对应特定时刻公路沿线的温度、湿度、风速、风向、气压、空气污染物浓度;
(2.3)根据神经网络方法预估性能构建层数为1的隐藏层,计算隐藏层应包含的最佳神经元数n=8。
(2.4)建立包含1个神经元的神经网络输出层,对应公路局部环境气象因素影响下通过神经网络学习得到的能见度数值,与输入层、隐藏层共同组成神经网络拓扑结构Ω,如图2所示。
(3)建立神经网络初始化模型具体包括如下步骤:
(3.1)建立神经网络信号激活传递规则,规定神经元对于输入信号进行加权求和,结果突破偏差值时,数据信号经激活函数计算传递至下一层神经元;
(3.2)选择标度指数线性单位函数(SELU)作为该神经网络的激活函数;
(3.3)在(-1,1)区间内生成随机数作为神经网络模型中各神经元权重值和偏差值的初始值,建立神经网络初始化模型
(4)混沌序列遗传算法建模优化神经网络初值具体包括如下步骤:
(4.1)对中的各神经元权重值和偏差值进行个体二进制编码;
(4.2)以均方差MSE为遗传算法适应度函数,以轮盘赌算子为选择操作方法,以两点交叉算子为交叉操作方法(交叉概率k=0.85),以基本变异算子为变异操作方法(变异概率c=0.03),运用混沌序列进行种群补充(混沌序列控制变量μ=4);
(4.3)重复进行选择、交叉、变异和混沌序列补充操作,直到最大适应度值出现时,迭代次数为22,此时停止迭代,得到最优个体,为神经网络最佳初值
(5)将经遗传算法优化的神经网络最佳初值输入初始化模型/>更新模型中各神经元的权重值和偏差值,得到神经网络基本模型/>
(6)训练多层前馈神经网络最优模型具体包括如下步骤:
(6.1)将训练数据集Δ中数据输入神经网络基本模型设定模型训练的最高学习次数1000次,期望误差值为0.00001;
(6.2)对于训练样本重复进行神经网络前向传播、误差计算、神经网络反向传播操作,基于各层的误差梯度,对各层权重及偏差进行更新,直到满足最高学习次数和期望误差值,完成多层前馈神经网络最优模型训练。
(7)输出能见度预估等级lp,具体包括如下步骤:
(7.1)将预测数据集中各需求时刻的温度、湿度、风速、风向、气压、空气污染物浓度数据输入多层前馈神经网络最优模型/>进行能见度预测;
(7.2)经预测,分别得到各需求时刻之后30分钟的能见度预估值V,得到3,1750条数据预测结果,根据表2所示对应关系输出各时段的能见度预估等级lp:
表2公路低能见度预估等级与能见度对应关系
本发明实现了对公路低能见度事件的30分钟级精确短临预测,为公路低能见度事件精细化应急处置提供有效支撑。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明思路和范围的前提下,本发明会有进一步变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,所述方法包括以下步骤:
步骤1,建立公路局部气象样本数据集;
获取公路沿线多个时刻的局部温度、湿度、风速、风向、气压、空气污染物浓度和能见度值这些环境气象数据,建立公路局部气象样本数据集,并将样本数据集拆分为训练数据集和预测数据集;
步骤2,构建神经网络拓扑结构;
基于步骤1获取样本数据集的组成,构建包含输入层、隐藏层和输出层的神经网络拓扑结构,并计算各层神经元数量;具体包括:
步骤2.1,选择多层神经网络作为基于遗传算法和前馈神经网络的公路低能见度预估方法的拓扑结构,包括神经网络的输入层、隐藏层、输出层;
步骤2.2,根据步骤1获取训练数据集的组成,建立包含6个神经元的神经网络输入层,分别对应特定时刻公路沿线的温度、湿度、风速、风向、气压和空气污染物浓度;
步骤2.3,构建层数为1的隐藏层,计算隐藏层包含的神经元数n,计算公式为:
式中,p为输入层神经元数,q为输出层神经元数,l为取值范围在1-10的常数;
步骤2.4,根据能见度预估需求,建立包含1个神经元的神经网络输出层,对应公路局部环境气象因素影响下通过神经网络学习得到的能见度数值;
步骤3,建立神经网络初始化模型;
建立神经网络信号激活传递规则,对步骤2所得神经网络拓扑结构中各层权重值和偏差向量进行初始化赋值,得到神经网络初始权重值和偏差值,建立神经网络初始化模型;具体包括:
步骤3.1,建立神经网络信号激活传递规则,规定神经元对输入信号进行加权求和,结果突破预设偏差值时,数据信号经激活函数计算传递至下一层神经元,计算公式为:
O=f(I-ε)
式中,I为神经元对输入信号的加权求和结果,wi为前一层第i个神经元的权重,xi为第i个神经元的输入,O为该神经元向下一层传递的结果,f()为激活函数,ε为该神经元的偏差值;
步骤3.2,选择标度指数线性单位函数SELU作为该神经网络的激活函数,该激活函数计算公式为:
式中,λ和α均为经试算后人工标定的参数;
步骤3.3,在(-1,1)区间内生成随机数,分别对神经网络拓扑结构中各层神经元权重和偏差进行初始化赋值,得到神经网络初始权重值和偏差值,建立神经网络初始化模型;
步骤4,混沌序列遗传算法建模优化神经网络初值;
对步骤3所得神经网络初始化模型中的初始权重值和偏差值进行个体编码,构建遗传算法初始种群,迭代执行选择、交叉、变异过程,运用混沌序列补充个体数量,最终输出适应度最高的种群,作为神经网络最佳初值;
步骤5,建立神经网络基本模型;
将步骤4所得神经网络最佳初值输入步骤3构建的神经网络初始化模型,更新模型中各神经元的权重值和偏差值,得到神经网络基本模型;
步骤6,训练建立多层前馈神经网络最优模型;
将步骤1所得训练数据集输入步骤5所得神经网络基本模型,进行神经网络前向传播,基于误差梯度计算进行反向传播,不断优化各层神经元的权重值和偏差值,经反复迭代,最终得到多层前馈神经网络最优模型;
步骤7,输出能见度预估值;
将步骤1所得预测数据集输入步骤6建立的多层前馈神经网络最优模型,得到公路沿线在需求时刻的能见度预估值。
2.根据权利要求1所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,所述步骤1获取的样本数据集中,应依据模型预测的回归关系,将各需求时刻的温度、湿度、风速、风向、气压、空气污染物浓度值作为自变量,需求时刻30分钟后的能见度值作为因变量。
3.根据权利要求1所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,步骤4具体包括:
步骤4.1,对步骤3得到的神经网络初始权重值和偏差值进行个体编码,构成遗传算法初始种群;
步骤4.2,设定遗传算法的适应度函数,以遗传算法输出结果与输出期望误差平方和最小为目标,适应度函数公式为:
式中,MSE为遗传算法输出结果与输出期望的均方误差;
步骤4.3,根据适应度函数计算遗传算法初始种群中各个体的适应度值,初始种群中个体数为N;
步骤4.4,对种群中的个体进行选择操作,选择后种群的个体数为N1;设定轮盘赌算子为选择方法,该方法中,第i个个体在规模为n的群体中被选择的概率计算公式为:
式中,fi表示第i个个体的适应度值,fj表示群体中的任意个体;
步骤4.5,对经过选择的个体进行交叉操作,交叉后种群新生成的个体数为N2;设定两点交叉算子为交叉方法,任意个体s、t通过两点交叉方法得到新个体s’和t’的计算公式为:
式中,k表示发生交叉的概率,为取值在(0,1)的常数;
步骤4.6,运用混沌序列方法向经过选择和交叉的种群中补充N-(N1+N2)个个体,使当前种群数量扩充至N;其中运用混沌序列方法进行个体补充的计算公式为:
Xi+1=μXi(1-Xi)
式中,Xi为用随机数生成的个体,Xi+1为经过混沌序列计算得到的待补充个体,μ为控制变量;0≤Xi≤1,3.56≤μ≤4;
步骤4.7,对经过交叉和混沌序列补充的个体进行变异操作,设定基本变异算子为变异方法,该方法基于变异概率对个体中特定基因组或者部分基因组成的突变点进行替换,输出经过遗传行为的新个体;
步骤4.8,计算输出新个体的适应度值,并对新个体重新进行选择、交叉、混沌序列补充和变异过程,迭代计算输出个体的适应度值,直至最大适应度值出现,停止迭代,得到最优个体,作为神经网络最佳初值。
4.根据权利要求1所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,步骤5中具体为:将神经网络初始化模型中的权重值和偏差值更新为步骤4所得的最佳初始权重值和偏差值,建立神经网络基本模型。
5.根据权利要求1所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,步骤6具体包括:
步骤6.1,将步骤1所得训练数据集数据输入步骤5所得神经网络基本模型,设定模型训练的最高学习次数和期望误差值,作为模型训练终止的依据;
步骤6.2,对于训练样本进行神经网络前向传播,计算公式为:
式中,f()为SELU激活函数,I(m+1)为第m+1层的广义输入向量,其维度为N(m+1)×1,为第m层前向传播的输出向量,其维度为N(m)×1,w(m)为第m层到第m+1层的权重矩阵,其维度为N(m+1)×N(m),ε(m)为第m层到第m+1层的偏差向量,其维度为N(m+1)×1;
步骤6.3,运用损失函数衡量神经网络基本模型前向输出层预测结果与能见度实际值间的误差,所述损失函数为:根据Delta原则选择均方误差MSE作为损失函数/>
步骤6.4,计算损失函数关于输出层矩阵的导数,得到神经网络基本模型中输出层的误差梯度,计算公式为:
式中,δ(3)为第3层即输出层的误差梯度,O(3)为第3层的实际输出向量,其维度为1×1维,g*表示两个向量逐元素相乘,f’()表示激活函数的导数;
步骤6.5,进行神经网络反向传播,逐层向前计算各层的误差梯度,计算公式为:
式中,δ(m)为第m层即输出层的误差梯度,O(m)为第m层的实际输出向量,其维度为1×1维,为第m层权重矩阵的转置;
步骤6.6,基于各层的误差梯度,对各层权重及偏差进行更新,计算公式为:
w(m)=w(m)-α·δ(m+1)(O(m))T
ε(m)=ε(m)-α·δ(m+1)
式中,α为反向传播学习率,为取值在(0,1)的常数;
步骤6.7,返回步骤6.2执行前向传播,对训练样本重复步骤6.2至步骤6.6进行神经网络学习,直到达到步骤6.1所设定的最高学习次数和期望误差值,完成多层前馈神经网络最优模型训练。
6.根据权利要求1所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,该方法还包括:
步骤8,判断步骤7所得能见度预估值所属能见度预估等级并输出。
7.根据权利要求6所述的基于遗传算法和前馈神经网络的公路低能见度预估方法,其特征在于,步骤8中能见度预估等级根据能见度预估值进行划分,包括等级依次升高的正常、一级预警、二级预警、三级预警和四级预警;
其中,V为能见度预估值,V1至V4为设定的预警能见度阈值,V、V1至V4的单位为m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661264.6A CN115081592B (zh) | 2022-06-13 | 2022-06-13 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661264.6A CN115081592B (zh) | 2022-06-13 | 2022-06-13 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081592A CN115081592A (zh) | 2022-09-20 |
CN115081592B true CN115081592B (zh) | 2024-05-03 |
Family
ID=83252045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661264.6A Active CN115081592B (zh) | 2022-06-13 | 2022-06-13 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081592B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306787B (zh) * | 2023-05-22 | 2023-08-22 | 江西省气象灾害应急预警中心(江西省突发事件预警信息发布中心) | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
CN116306893B (zh) * | 2023-05-24 | 2023-07-28 | 华东交通大学 | 一种接触网覆冰预警方法 |
CN117933499A (zh) * | 2024-03-22 | 2024-04-26 | 中国铁建电气化局集团有限公司 | 高速铁路接触网的入侵风险预测方法、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
CN112199887A (zh) * | 2020-09-30 | 2021-01-08 | 山东大学 | 基于对抗生成网络和伪标注的半监督电阻率反演方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190286990A1 (en) * | 2018-03-19 | 2019-09-19 | AI Certain, Inc. | Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection |
-
2022
- 2022-06-13 CN CN202210661264.6A patent/CN115081592B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
CN112199887A (zh) * | 2020-09-30 | 2021-01-08 | 山东大学 | 基于对抗生成网络和伪标注的半监督电阻率反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于遗传算法优化前馈神经网络模型的配电网短期负荷预测;陈浩;戴欣;;科技创新与应用;20200218(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115081592A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN108346293B (zh) | 一种实时交通流短时预测方法 | |
CN109214581B (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
CN104536412A (zh) | 基于指标预报和解相似度分析的光刻工序动态调度方法 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN109086926B (zh) | 一种基于组合神经网络结构的短时轨道交通客流预测方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN112257935A (zh) | 一种基于lstm—rbf神经网络模型的航空安全预测方法 | |
CN116187565A (zh) | 基于改进原子搜索优化bp网络的办公建筑能耗预测方法 | |
CN114119277A (zh) | 一种基于人工智能神经网络的絮凝投药决策的分析方法 | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN114004008B (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |