RBF神经网络的实现过程 RBF人工神经网络 RBF人工神经网络结构
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21
基于RBF神经网络的不利天气道路通行能力计算3
章锡俏1 盛洪飞1 姚艳雪2
(哈尔滨工业大学1 哈尔滨150090) (哈尔滨师范大学2 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-1.16%,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
0 引 言
下,的最大车辆数。目前,以分为两类:的,。第一类方法是在道路理论通行能力的基础上,考虑影响道路通行能力的诸多因素,通过对与理想道路、交通条件不相符的实际道路和交通条件进行修正,例如车道宽度、侧向净空、车辆组成、道路纵坡等,从而确定道路的实际通行能力[122]。可以看出,理论通行能力是理想的道路与交通条件下的通行能力,其计算方法缺乏对其内在交通机理的深入分析,虽然乘以了系列折减系数,但是这种关系缺乏理论上的说明和影响机理的分析。在实际中,完全理想的状况是不存在的,不利天气下的道路通行能力除了受车道宽度、侧向净空等确定性因素影响以外,还受许多随机性因素的影响(如降雨强度、风力、可见度等)。这些随机性影响因素与通行能力之间的关系比较复杂,所以本文采用以实测交通流量为基础的方法,应用径向基函数神经网络模型来处理不利天气和通行能力之间这种非线性函数关系,对路网组成单元的重新划分,采用不
收稿日期:2007210210;修改稿收到日期:2007211201 3国家自然科学基金项目资助(批准号:70673016);黑
龙江省科技攻关计划项目资助(CC052S309)
,。
在城市道路网中,路段与交叉口是路网中最常见的基本组成元素。不利天气下路段与交叉口之间的相互作用所导致车辆的停车排队现象会使路网整体的容量降低,而交叉口长度与路段长度相比又显得微不足道,因此基于车辆使用道路的特点,及不同的道路所表现出来的车辆运行特点,对路网的组成单元进行重新划分是极其有必要的。按照是否会形成排队等待的状况作为划分单元的依据,结合城市各等级道路的特点分析,将城市道路网划分为以下基本组成单元:
(1)快速路基本组成单元。基本路段+下游的相邻匝道(包括合流、分流及交织的匝道组合)。
(2)主干路、次干路基本组成单元。路段+相
邻下游交叉口。
(3)匝道基本组成单元。单个进出匝道作为独立组成单元。
由于交叉口种类的繁多,从不同类别划分角度,可组成不同种类的路网组成单元,但该类路网组成单元都是基于车辆进入路段以及离开下游交叉口进入下一个路段为结束点的,按照下游相邻交叉口相交道路数的划分方式进行,如图1所示。
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说教育文库基于RBF神经网络的不利天气道路通行能力计算在线全文阅读。
相关推荐：