行。本發(fā)明提出一種快速路養(yǎng)護(hù)施工區(qū)的主動(dòng)預(yù)警方法，將動(dòng)態(tài)因素和靜態(tài)因素綜合考慮， 動(dòng)態(tài)調(diào)整預(yù)警模型參數(shù)，達(dá)到養(yǎng)護(hù)施工區(qū)周圍交通狀態(tài)的自適應(yīng)判別和交通安全預(yù)警判別 的目的，將預(yù)警結(jié)果通過可變信息標(biāo)志發(fā)布給快速路養(yǎng)護(hù)施工區(qū)周圍的駕駛員及相關(guān)人 員，相關(guān)人員可根據(jù)實(shí)時(shí)發(fā)布的信息調(diào)整自身車輛的運(yùn)行狀態(tài)，促進(jìn)了快速路養(yǎng)護(hù)施工區(qū) 周圍信息流的雙向互動(dòng)傳遞，提高了預(yù)警準(zhǔn)確性。
[0050] 與現(xiàn)有技術(shù)相比，本發(fā)明提出的預(yù)警方法主要針對(duì)快速路養(yǎng)護(hù)施工區(qū)周圍的交通 流狀態(tài)進(jìn)行自適應(yīng)判別，綜合考慮施工區(qū)各項(xiàng)因素，實(shí)施實(shí)時(shí)動(dòng)態(tài)交通安全預(yù)警。預(yù)警方法 可根據(jù)大量實(shí)時(shí)動(dòng)態(tài)信息對(duì)養(yǎng)護(hù)施工區(qū)的交通狀態(tài)判別模型的相關(guān)參數(shù)進(jìn)行調(diào)整，使預(yù)警 結(jié)果最優(yōu)。本發(fā)明所提出的預(yù)警方法綜合考慮了影響快速路養(yǎng)護(hù)施工區(qū)周圍安全的因素， 對(duì)快速路養(yǎng)護(hù)施工區(qū)的安全狀況進(jìn)行實(shí)時(shí)判別預(yù)警，具有很強(qiáng)的實(shí)用性，應(yīng)用前景十分廣 闊。
【附圖說明】
[0051 ]圖1為本發(fā)明的快速路養(yǎng)護(hù)施工區(qū)預(yù)警方法流程圖。
[0052]圖2為本發(fā)明技術(shù)框架圖；
[0053]圖3為本發(fā)明的信息采集體系示意圖。
【具體實(shí)施方式】
[0054]下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明。
[0055] 本實(shí)施提供一種快速路養(yǎng)護(hù)施工區(qū)主動(dòng)預(yù)警方法，基本思路為:整理各項(xiàng)基礎(chǔ)數(shù) 據(jù)，建立基于神經(jīng)網(wǎng)絡(luò)的交通狀態(tài)判別模型，對(duì)實(shí)時(shí)的交通流數(shù)據(jù)進(jìn)行分類判別。在得出快 速路養(yǎng)護(hù)施工區(qū)周圍交通狀態(tài)的基礎(chǔ)上，融合天氣和靜態(tài)數(shù)據(jù)等建立基于模糊算法的快速 路養(yǎng)護(hù)施工區(qū)安全預(yù)警判別模型，最后得出預(yù)警結(jié)果。主要分為兩大主要過程，第一是交通 狀態(tài)判別的神經(jīng)網(wǎng)絡(luò)建立過程，第二是預(yù)警判別的模糊分類器設(shè)計(jì)過程。由于城市快速路 養(yǎng)護(hù)施工區(qū)周圍車輛通行環(huán)境復(fù)雜，影響施工區(qū)周圍交通安全的因素更是繁多，故其交通 安全預(yù)警方法與一般路段也應(yīng)存在較大不同，因此綜合選取影響快速路養(yǎng)護(hù)施工區(qū)安全的 因素，提出養(yǎng)護(hù)施工區(qū)的預(yù)警方法，技術(shù)框架如圖1所示。如圖2所示，該方法具體包括以下 步驟：
[0056] 步驟S1:采集快速路養(yǎng)護(hù)施工路段的各項(xiàng)基礎(chǔ)數(shù)據(jù)，將其分為交通流數(shù)據(jù)集、天氣 數(shù)據(jù)集和靜態(tài)數(shù)據(jù)集；
[0057] 步驟S2:用K均值聚類算法選取原型樣本，輸入樣本數(shù)據(jù)和聚類個(gè)數(shù)，交通狀態(tài)分 為三類，包括擁堵、擁擠以及暢通，則聚類個(gè)數(shù)為3，通過不斷迭代求取聚類中心；
[0058]步驟S3:對(duì)原型樣本進(jìn)行預(yù)處理并求解伴隨向量:將原型樣本轉(zhuǎn)化成一維向量，進(jìn) 行零均值和均一化處理，組成原型矩陣，進(jìn)而求取伴隨向量；
[0059]步驟S4:對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理，得到初始輸入向量與交通狀態(tài)判別結(jié)果；
[0060] 步驟S5:基于協(xié)同神經(jīng)網(wǎng)絡(luò)得出的交通狀態(tài)判別結(jié)果，融合天氣與靜態(tài)數(shù)據(jù)設(shè)計(jì) 預(yù)警判別模糊分類器；
[0061] 步驟S6:將新一周期采集的數(shù)據(jù)實(shí)時(shí)判別之后不斷融入歷史數(shù)據(jù)，利用協(xié)同神經(jīng) 網(wǎng)絡(luò)不斷地對(duì)交通狀態(tài)判別模型的參數(shù)進(jìn)行實(shí)時(shí)調(diào)整。
[0062] 在本實(shí)施例中，信息采集在養(yǎng)護(hù)施工區(qū)預(yù)警中占有重要位置，實(shí)時(shí)準(zhǔn)確的信息是 預(yù)警是否準(zhǔn)確和高效的前提。本預(yù)警方法的采集數(shù)據(jù)分為靜態(tài)信息和動(dòng)態(tài)信息兩部分。靜 態(tài)信息一般是穩(wěn)定的數(shù)據(jù)，一次性采集后一般保持長時(shí)間不變，不需要實(shí)時(shí)采集，只有當(dāng)實(shí) 際情況發(fā)生變化時(shí)才需要對(duì)靜態(tài)信息重新采集輸入。動(dòng)態(tài)信息是施工區(qū)實(shí)時(shí)變化的信息， 包括交通流信息和天氣信息。所述步驟S1中，所述靜態(tài)數(shù)據(jù)集中的靜態(tài)信息為養(yǎng)護(hù)施工區(qū) 的客觀環(huán)境信息，包括施工區(qū)封閉形式、封閉車道數(shù)、路面狀況以及安全設(shè)施;所述交通信 息集中的交通流信息包括交通量與平均車速，采用視頻檢測(cè)器對(duì)交通信息進(jìn)行采集;所述 天氣數(shù)據(jù)集中的天氣信息為施工區(qū)的雨量，采用雨量檢測(cè)器進(jìn)行采集。同時(shí)，整理交通流數(shù) 據(jù)，將歷史數(shù)據(jù)用作神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)，而實(shí)時(shí)采集的數(shù)據(jù)作為預(yù)測(cè)的數(shù)據(jù)，信息采集體 系如圖3所不。
[0063]在本實(shí)施例中，協(xié)同神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要包括原型樣本的選取和伴隨向量的 計(jì)算，伴隨向量是在原型樣本的基礎(chǔ)上計(jì)算得到，原型樣本的選取對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)的識(shí)別 能力以及效率至關(guān)重要。所述步驟S2中，為了獲得實(shí)際的樣本信息，通過計(jì)算實(shí)際樣本和聚 類中心的空間矢量的歐氏距離求取最小距離的實(shí)際樣本，作為所述原型樣本。
[0064]在本實(shí)施例中，所述步驟S3具體為：
[0065]所述原型樣本的一維向量形式為
[0066] Vk= (vkl,Vk2, ··· ,Vkn)T (1)
[0067] 進(jìn)行零均值和歸一化后，原型矩陣為
[0068] v = (vi ,V2, ·', Vm)T(m < η) (2)
[0069] 求解伴隨向量為
[0070] ν十=(<，ν2!，…，ν:) C 3 )
[0071]式中，Vk為原型向量，Vk+為原型向量的正交伴隨向量；
[0072]根據(jù)協(xié)同學(xué)的基本理論，模式識(shí)別的動(dòng)力學(xué)公式表示為
[0073]
[0074] 式中，為注意參數(shù)，Bkk，、C為常量參數(shù)，F(xiàn)為漲落力，q為待識(shí)別模式向量；
[0075] 引入序參量重新描述上述方程以減少維數(shù)，則系統(tǒng)的序參量描述為q在最小二 乘意義下Vk上的投影：
[0076]
[0077]
[0078]
[0079]
[0080]
[00811 Ik滿足初始化條件：
[0082] q(0) = v；c/(0) (8)
[0083] 協(xié)同神經(jīng)網(wǎng)絡(luò)的競爭與演化過程是對(duì)一個(gè)序參量進(jìn)行迭代的過程，公式（7)可變 為：
[0084]
[0085]
[0086]在本實(shí)施例中，所述步驟S4具體為:設(shè)置參數(shù)11531^、(：，利用公式(8)求解參序量 的初始值lk(0)，進(jìn)而用公式(9)進(jìn)行序參量的迭代，直到任意一個(gè)序參量分量為一個(gè)正數(shù)， 其他的序參量分量為0時(shí)，停止迭代，則所識(shí)別出的模式即為取得"勝利"序參量，即為交通 狀態(tài)判別的結(jié)果。
[0087] 在本實(shí)施例中，所述步驟S5在交通狀態(tài)判別的基礎(chǔ)上，結(jié)合天氣信息與靜態(tài)信息， 采用模糊分類算法建立養(yǎng)護(hù)施工區(qū)預(yù)警判別模型，發(fā)布預(yù)警信息，具體包括以下步驟：
[0088] 步驟S51:模糊輸入變量包括路面狀況a、雨量b以及交通狀態(tài)c，它們的模糊子集按 照如下方式劃分：
[0089] a={很差，中等，很好}
[0090] b={大雨，小雨，無雨}
[0091] c={擁堵，擁擠，暢通}
[0092] 步驟S52:輸出變量為預(yù)警信息，其模糊子集為
[0093] d={紅燈，黃燈，綠燈}
[0094] 制定模糊規(guī)則R的基本形式為：if a and b and c then d;
[0095] 步驟S53:基于模糊規(guī)則和隸屬度函數(shù)，將輸入量模糊化之后根據(jù)模糊規(guī)則得出預(yù) 警信息，并將預(yù)警信息發(fā)布駕駛員及相關(guān)人員。
[0096] 在本實(shí)施例中，采用模糊分類方法是由于安全預(yù)警狀態(tài)本身存在著一定的模糊 性，靜態(tài)預(yù)警方法根據(jù)一些精確參數(shù)進(jìn)行預(yù)警存在很大的不足及缺陷。模糊分類是基于模 糊集合論的一種智能分類方法，其原理是通過樣本統(tǒng)計(jì)對(duì)各個(gè)類的隸屬度進(jìn)行調(diào)整，實(shí)現(xiàn) 樣本與樣本之間的聯(lián)系，建立樣本對(duì)不同類別的不確定性描述，可對(duì)類間有交叉的數(shù)據(jù)集 作有效聚類，此方法無需建立精確的數(shù)學(xué)模型，只需通過大量統(tǒng)計(jì)分類逐漸接近理想的預(yù) 警分類。模糊分類模仿人腦的模糊決策和推理的功能特點(diǎn)，將專家的判斷經(jīng)驗(yàn)總結(jié)為若干 模糊規(guī)則，進(jìn)而形成模糊分類器。這對(duì)一些無法用精確數(shù)學(xué)模型描述的復(fù)雜非線性系統(tǒng)來 說具有很大的優(yōu)越性，且構(gòu)造簡單，魯棒性好。模糊分類通過若干個(gè)類似于"IF···，THEN···" 的模糊推理語句組成的模糊規(guī)則。