京珠高速公路低能见度(雾)神经网络预测模型

摘要

影响能见度的诸多影响要素高影响天气之中，雾是最主要的天气现象之一。道路能见度的形成决于地形及气象等多种影响条件如地貌，降雨、雾等等；使得道路的能见度呈现出高度非线性，各种因素的相互作用、相互影响使得能见度计算异常复杂。人工神经网络是一种数据挖掘技术，具有大规模的并行计算与分布式存贮能力，非线性映射能力，较强的鲁棒性和容错性，自适应、自组织、自学习的能力，非局域性和非凸性等许多特性，非常适用于复杂多变、非线性的系统。BP 算法最初由Werbos 开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的最小均方差值。BP 网络是神经网络中一种反向传递并能修正误差的多层映射网络，通常由输入层、输出层和隐含层构成，层与层之间的神经元采用全互连的模式，通过相应的网络权系数相互联系，每层内的神经元没有连接。当参数适当时，此网络能收敛到较小的均方差，是目前应用最广的网络之一。本文研究利用人工神经网络建立京珠高速公路低能见度（雾）预测的非线性模型,，采用附加动量法和自适应学习速率对BP （Back-propagation）神经网络进行改进，构建能见度预测BP 神经网络智能模型。BP 模型以S 形函数作为转换函数，归一化样本到[0，1]区间。输入模式的确定是一个神经网络模型成功的关键。输入模式分量过多，则网络模型结构会过于复杂，从而训练周期长、系统的鲁棒性下降，即对数据的噪声干扰敏感，容易形成过适应。本文采用试错法确定模型输入模式。隐含层神经元个数及其节点数确定采用国内常用的经验公式确定。建立的京珠高速公路低能见度（雾）BP 神经网络预测模型通过在京珠高速公路沿线33 个气象站点2002-2010 年气象数据中训练与检验，得到较好的预测效果。可以进一步推广拓展BP 神经网络预测客观模型的应用范围。