英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

UDC 658.7:656

DOI: 10.18372/2306-1472.72.11985

安德烈·莱姆津

伊莉娜·尼古拉伊科

基于神经网络的城市交通系统生态状态预测

摘要

目的：利用神经网络的一般概念，建立城市交通系统生态状态评价的有效模型。方法：所提出的模型基于两种神经网络在考虑城市交通密度效应和通行能力水平的情况下起作用。

结果：基于模糊集理论和神经网络的综合IC原理，建立了城市交通系统生态状态评价模型。给出了模型的图形表示。即使在较低的l值时，也提供了高可靠性的预报。城市交通条件下统计数据变化的收益率和高动态。

结论：模糊神经网络的使用使得模糊推理过程数学表示与城市交通系统结构之间的一致性成为可能。所提出的模型允许在交通运输领域作出决策时制定明确的环境准则，考虑到企业、交通和城市人口的利益，随后交通流量在城市工业区的时间和地理空间分布。

关键词：城市交通系统；生态状态；神经网络；交通容量；交通密度。

1. 简介

通过管理决策来减少不同行业结构和不同过境货运流量密度和动态的城市的污染水平，是抑制城市地区车辆数量不断增加的主要任务之一。

1. 最近出版文件分析

大量的科学工作和实践研究正在为了环境保护问题及减少交通对工业地区城市的负面影响正在被实行[1-3]。与此同时，印象这交通系统环境的安全发展以及运行的过境交通流问题仍未得到解决。冲突所在，一方面是由于需要通过减少交通负面影响来提高城市人口的生活质量。在另一方面，交通运输量的增长，标志着工业、交通、商业的有效发展，导致了市、州预算支出的增加。

应用模糊神经网络理论能够获取工业节点运输系统综合设施的高质量信息[4]。因此，利用神经网络进行模糊集的综合，可以保证系统生态状态预测的预测精度，排除系统生态状态预测规则制定中的主观主义。这种综合的积极作用是学习能力，即根据统计数据对预测结果进行自洽调整的能力。[5-7]

1. 主要材料

该模型基于两种神经网络模型，考虑了城市交通密度效应和通行能力水平。产业区交通流是以“多维结构群”的形式来表现的，它代表着具有不同特征数的流动：运输。目的地和方向，车辆大小和容量，强度，规律性等时间特性。换言之，交通能力决定了城市工业区网络的连通性和直线性，以及路线的可用性。[8-10]

模型的图解表示显示了研究中的运输系统生态状态计算的作用序列。(图1)

图1.生态状态评价模型的图解表示

在第一层(L1)上，用户输入的数据描述了最初的生态状态水平，交通密度和通行能力的影响：

y_i=x_i, (1)

其中，第一层神经元被分配一个输入变量值；xi-输入变量，该值由用户设置；i-输入变量数(i=1...3)。

在第二层(L2)上，每个第一层变量用三个模糊集形容词高斯型表示：

y_ir=mu;_r(x_i), (2)

其中mu;r(Xi)-模糊集形容词的输入变量集xi(见表1)；r-模糊集数(i=1...3)。

对于不同类型的集合名称有模糊集形容词(见表1)。

在第三层(L3)上，产生第二层神经元的乘积，即搜索可能的组合变体：

第三层神经元的j-乘积数(j=1...9)

在第四层(L4)上，执行第三层产品的结果求和，乘以连接权重。因此，这一层只有两个神经元：

（表1）模糊集形容词(第二层神经元)的公式

在第五层（L5）中，通过神经元值B将神经元值A除以预测生态状态输出值：

权重调整消除了模糊规则集的主观性。

神经网络训练算法涉及动作顺序：

1. 培训样本是根据前几年的道路实际调查资料确定的。它表示输入变量、真值和输出变量corres的统计集合。计算值，即生态状态预测水平(见表2)。

（表2）两个轴突训练样本的生态状态评价

1. 每个输出变量值Y是从训练样本m-事例中计算出来的，并且在实际数据旁边的数组中也引入了这些例子。
2. 设定训练周期的平均允许误差值(ALL)，以及速度值的大小(eta;)。
3. 第三层和第四层之间的权重新链接值由以下公式计算：

t为训练周期号。一个培训周期包括从培训样本中搜索的所有示例。

1. 确定培训周期的平均实际误差：

如果整个训练周期的实际误差值超过了平均允许的误差值，则返回步骤4

1. 否则，学习停止和网络被接受作为培训。
2. 结果

基于两个神经网络并行运算模型的模拟结果表明，在预测工业小区生态状态时，误差急剧减小(见图2)。

在城市交通条件下，即使在低学习率和高动态变化统计数据的情况下，也提供了较高的预测可靠性。

图2.生态状态预测误差线图(a-在训练开始前，b-在训练结果之后)

1. 总结

模糊神经网络的使用使得模糊推理过程数学表示与城市交通系统结构之间的完全一致成为可能。

建议的模型容许在作出过境交通方面的决定时，考虑到企业、运输及铁路的利益，制订明确的环境指引。禁人口，伴随着随后交通流量在城市工业区的时间和地理空间的分布。

1. 参考文献

[1]Chernyshov O. (2016) Vplyv transportu na ekolohiiu mista. Analiz ta stratehii dlia Ukrainy. [The impact of transport on the city environment. Analysis and strategy for Ukraine] Available at http://climategroup.org.ua/wp- content/uploads/2017/02/transport-ukr4_small.pdf. (accessed 26.07.2017)

[2]Hermanova T.V., Kernozhytskaia A.F. (2014) K voprosu ekologicheskoy otsenki transportnoy sistemyi na urbanizirovannyih territoriyah (na primere g. Tyumen). [On the issue of environmental assessment of the transport system in urbanized areas (the example of Tyumen)]. Yzvestyia Samarskoho nauchnoho tsentra RAN [Izvestiya of the Samara Scientific Center of the Russian Academy of Sciences], Tom 16, pp.1713- 1716. (In Russian)

[3]Fomenko H.R. (2016) Transportna infra- struktura i problemy mist [Transport infrastructure and cities problems] Problemy rozvytku miskoho seredovyshcha, no.2(16), pp. 177-185. (In Ukrainian)

[4]Rutkovskaia D., Pylynskyi M., Rutkovskyi L. (2013) Neironnye sety, henetycheskye alhorytmy y

nechetkye systemy [Neural networks, genetic algorithms and fuzzy systems]. Moscow. Hot line - Telecom., 384 p. (In Russian)

[5]Batyrshyn Y.Z., Nedosekyn Y.Z., Stetsko A.A., Tarasov V.B. eds. (2007) Nechetkye hybrydnye systemy. Teoryia y praktyka [Fuzzy hybrid systems. Theory and practice]. Moscow. FIZMATLIT., 208

p. (In Russian)

[6]Noskov V.Y., Lypchanskyi M.V., Mezent- sev N.V., Blyndiuk V.S. (2016) Prymenenye neironnoi sety pry optymyzatsyy protsessov upravlenyia podvyzhnym sostavom metropolytena. [Application of the neural network in the subway rolling stock management processes optimization], Komunalne hospodarstvo mist, no.126, pp. 44-49. (In Russian)

[7]Masalmah Y.M. (2008) Image Compression Using Neural Networks. Title of article. J. Transp. Geogr., vol.10, pp. 63–69.

[8]Liamzyn A.A., Khara M.V. (2013) Otsenka potentsyala systemy laquo;tranzytraquo; promyshlennykh sytyraionov [Potential assessment of the industrial sites “transit” system], Vestnyk Donetskoi akademyy avtomobylnoho transporta, no.4, pp. 32-

43. (In Russian)

[9]Liamzyn A.A., Khara M.V. (2015) Ravnovesnoe sostoianye transportnoho sektora v tranzytnoi srede promyshlennoho raiona [Transport sector balanced condition in the industrial area transit environment]. Zbirnyk naukovykh prats Derzhavnoho ekonomiko-tekhnolohichnoho universytetu transport. no.26-27, pp. 256-261. (In Russian)

[10]Nazemi A. amp; Omidi F. (2013) An efficient dynamic model for solving the shortest path problem. Title of article. Emerging Technologies. Vol. 26. 2013. P. 1-19.

Received 05 August, 2017

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22417]，资料为PDF文档或Word文档，PDF文档可免费转换为Word