基于改進Elman神經網絡的交通標志信息量度量

駱 晨，劉 瀾,2，李 新，褚鵬宇

?

基于改進Elman神經網絡的交通標志信息量度量

駱 晨1，劉 瀾1,2，李 新1，褚鵬宇3

（1. 西南交通大學，交通運輸與物流學院，成都 610031； 2. 西南交通大學，綜合交通運輸智能化國家地方聯(lián)合工程實驗室，成都 610031； 3. 鐵道第三勘察設計院集團有限公司，天津 300000）

為了提高交通標志信息量的度量精度，構建駕駛員認知交通標志信息傳輸模型，針對傳統(tǒng)Elman神經網絡算法在求解該問題時因量綱不同而造成數(shù)據(jù)集的波動性較大、不利于模型逼近的問題，設計了灰色關聯(lián)度權重分配Elman神經網絡算法進行求解仿真。采用1-AGO灰化處理樣本數(shù)據(jù)集，使數(shù)據(jù)呈現(xiàn)單調遞增趨勢，弱化了數(shù)據(jù)的波動性，對數(shù)據(jù)進行歸一化處理，統(tǒng)一數(shù)據(jù)集量綱，加快了網絡訓練速度，提高了算法精度。仿真結果表明：灰色關聯(lián)度權重分配Elman神經網絡算法在求解性能上有較大進步，可為交通標志信息度量提供有效解決方案。

交通標志；信息度量；神經網絡；灰色關聯(lián)度

0 引 言

交通信息為駕駛決策提供重要的依據(jù)，高效的交通信息能有效地誘導駕駛員調整行駛路徑，在提高其出行效率的同時達到減緩甚至疏散交通擁堵的作用，從而保證城市道路交通系統(tǒng)效能最優(yōu)。

交通信息與駕駛員的交互性，決定了交通信息的誘導效率主要體現(xiàn)在交通信息的信息量及其對駕駛員的負荷水平兩方面。目前在國外交通標志信息量閾值研究中，Dudek等[1]基于信息理論發(fā)現(xiàn)，駕駛員在駕駛過程中能無影響地每秒分心處理單位的信息量；Lai[2]分析了可變信息板的色彩方案以及信息數(shù)量對駕駛員的影響，其中色彩方案為使用一個、兩個或三個顏色，信息數(shù)量為單行、雙行、三行，研究結果顯示紅色單個信息以及單行信息有利于駕駛員對發(fā)布信息的理解。在國內的研究當中，左淑霞等[3]利用信息理論，建立特色交通標志信息傳遞的理論模型，計算交通標志內的信息量并以西藏地區(qū)為例制定特色交通標志，研究結果顯示“特色交通標志”的信息量閾值為286.3bit；盧亮等[4]以快速路進、出口中的交通標志信息量為研究對象，基于信息理論構建交通標志信息量度量模型，通過實驗仿真手段比較進、出口交通標志的傳遞效率，研究顯示相對于出口標志而言，進口標志的信息傳遞效率明顯較高，便于駕駛員理解；劉小明等[5]設計了包含指路標志與車道行駛方向標志的組合標志，測定被試者視認組合標志的正確率及反應時間，得到組合標志的信息量閾值，結果顯示：車道數(shù)為3~7時，駕駛員的認知正確率呈遞減趨勢，而反應時間呈遞增趨勢，在指路標志中對某一路名的認知時間是箭頭認知時間的5倍，指引圖形較簡單的組合標志信息量閾值為6條路名信息，指引圖形較復雜的組合標志信息量閾值為5條路名信息。

上述研究從單一信息源角度研究交通信息量度量，分析單類信息對駕駛員誘導效率以及駕駛員對該類信息的負荷閾值。針對實際駕駛過程中的交通信息而言，其由多種單類信息相互組合而成，包括：廣播信息、交通標志信息、可變信息板信息、導航信息等，在實際信息接收過程中由道路環(huán)境、駕駛員心理、駕駛員偏好等各方面因素影響。只有綜合考慮上述因素，對交通信息量進行度量，通過模擬實驗進行閾值確定才具有實用性。

1 交通標志信息量模型構建

交通標志信息的主要功能是通過信息本身對交通狀態(tài)進行客觀描述，描述過程中不具備傳遞自身信息屬性的功能。駕駛員則根據(jù)交通標志信息所攜帶的信息，根據(jù)自身的經驗對道路交通系統(tǒng)進行判斷，從而生成獨有的出行決策[6]。

根據(jù)駕駛員認知心理學原理，從駕駛員視覺角度認知交通標志的一般規(guī)律出發(fā)，交通標志信息傳輸及其結構模型，如圖1所示。信息傳輸過程可以分為發(fā)現(xiàn)、識別、認讀、理解和反應5個階段，其中前三個階段又與道路環(huán)境、個體屬性相關。

圖1 交通標志信息傳輸結構圖

交通標志信息量是由個體因素、駕駛道路環(huán)境、交通信息量等多屬性決定的非線性值，該值由反應時間與單位信息處理量標定[7]，記為：

從信息分類上來看，交通標志信息主要由漢字、字母、阿拉伯數(shù)字、顏色、幾何形狀、指路角度、符號等單類信息組成；從駕駛道路環(huán)境上看，受道路數(shù)量、天氣等因素影響，用表示；從個體因素上看受單類信息偏好、個體識別能力等因素影響，用表示[8]。交通信息量可定義為一個與認知時間、單類信息、駕駛環(huán)境、個體因素相關的廣義交通標志信息量函數(shù)：

可表達為

2 基于灰色關聯(lián)度權重分配的Elman神經網絡算法設計

Elman神經網絡是一種具有動態(tài)特點的神經網絡，它的功能主要反應在可以利用自身所具有的動態(tài)映射功能表征并存儲內部的變化狀態(tài)，被廣泛用于交通流量預測、駕駛決策分析、信息量度量等領域[9]。但在求解交通標志信息量度量時存在一些問題：輸入層中輸入向量權重一致，無法體現(xiàn)不同個體特征以及不同駕駛道路環(huán)境下的交通標志認知過程，致使輸出層僅與單類交通信息量有關，與實際不符。

為此，本文在Elman神經網絡的基礎上提出一種基于灰色關聯(lián)度權重分配的改進Elman神經網絡算法解決該問題。過程可以表達為：首先，在分析并選取影響交通標志信息量因素的相關因素的基礎上，采用灰色關聯(lián)度法確定各影響因素與信息量的相關性，通過關聯(lián)度進行權重分配，以此來表征個體特征以及駕駛環(huán)境的影響；然后，輸入經過序列化和歸一化處理且具有權重值的輸入值，利用Elman神經網絡尋找輸入輸出變量之間的非線性映射關系；最后，得到交通信息量度量曲線，并確定閾值。

2.1 灰色關聯(lián)度權重分配

則各影響因素權重為：

2.2 交通信息量數(shù)據(jù)列歸一化

在交通標志信息量的影響因素數(shù)據(jù)采集中，因各影響因素的量綱不同，數(shù)據(jù)集的波動性較大，不利于Elman神經網絡模型的逼近[10]。為解決該問題，本文通過1-AGO灰化處理樣本數(shù)據(jù)集，達到樣本數(shù)據(jù)具有單調遞增趨勢的特性，進一步削弱了數(shù)據(jù)計算過程中的波動特性。為加快網絡訓練的速度，通過歸一化處理使得數(shù)據(jù)范圍保證在[0, 1]之間，并且統(tǒng)一數(shù)據(jù)量綱。

利用公式（10）對新數(shù)據(jù)集進行歸一化處理得到Elman神經網絡輸入層、輸出層數(shù)據(jù)，記為

其中，

2.3 基于灰色關聯(lián)度權重分配的Elman神經網絡模型

Elman神經網絡主要由輸入層、隱含層、承接層和輸出層四個層級組成。其中，輸入層的單元具有信號傳輸作用；輸出層單元具有線性加權作用；隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)；承接層主要實現(xiàn)層內或層間的反饋聯(lián)結，使其能夠表達輸入與輸出間的延遲特性，實現(xiàn)網絡的記憶功能[11]。Elman神經網絡的結構見圖2。

圖2 神經網絡結構圖

綜上所述，灰色關聯(lián)度權重分配的Elman神經網絡算法求解交通標示信息量步驟如下：

步驟1 確定交通標志信息量度量指標和相關因素，并進行原始數(shù)據(jù)采集；

步驟5 確定交通標志信息量度量的Elman模型的網絡結構，將步驟4得到的輸入向量作為輸入數(shù)據(jù)，實測的交通標志信息總量作為輸出數(shù)據(jù)，訓練Elman 網絡，得到輸入向量與輸出向量之間的非線性映射關系，得到交通標志信息量度量模型。

3 算例仿真

3.1 仿真結果

為驗證模型和算法的有效性，以文獻[5]中設計的交通標志信息量實驗為例進行分析。在實驗中設定7組實驗，具體數(shù)據(jù)如表1所示：

表1 樣本數(shù)據(jù)統(tǒng)計表

Tab.1 Sample statistics

將實驗過程中采集的四個影響因素進行1-AGO灰化處理，并作為輸入向量，以認知時間為輸出向量。確定改進Elman網絡為4維輸入、1維輸出的網絡結構，隱含層神經元的個數(shù)為7個，隱含層傳遞函數(shù)為tansig函數(shù)，輸出層傳遞函數(shù)為purelin函數(shù)，訓練步數(shù)為1500，目標誤差0.001。將擬合結果進行反歸一化及反1-AGO 處理，最終擬合結果及誤差如表2所示。

表2 擬合結果對比分析表

Tab.2 Comparison of the results of the fitting

由表2可知，基于改進Elman神經網絡進行交通標志信息度量，最大擬合誤差為7.718%，最小擬合誤差為0.955%，平均擬合誤差為3.451%。擬合精度以及擬合穩(wěn)定性達到要求，第四組擬合誤差達7.718%，分析其原因為：在實驗過程中設定的能見度較低，出現(xiàn)認知難度增大、認知時間較長，導致信息量變大，而基于改進Elman神經網絡模型在數(shù)據(jù)擬合中對該類數(shù)據(jù)的權重分配不足，導致擬合誤差增大。

3.2 算法性能對比

將運用標準Elman神經網絡算法和運用改進Elman神經網絡算法求解同一實驗數(shù)據(jù)的結果進行對比分析，兩者在網絡結構、傳遞函數(shù)及訓練步數(shù)方面的對比結果如表3所示：

表3 仿真結果比較

Tab.3 Simulation results comparison

對比兩算法可以發(fā)現(xiàn)，標準Elman神經網絡算法的平均誤差為5.57%，改進算法的平均誤差為3.451%。本文提出的改進算法在最大誤差、最小誤差、平均誤差上均優(yōu)于標準算法，說明改進Elman對交通標志信息量有較好的擬合，擬合結果更穩(wěn)定可靠。

4 結束語

本文提出一種基于灰色關聯(lián)度權重分配的改進Elman神經網絡算法用以求解交通標志信息量度量問題。首先，研究如何將交通信息標志實驗數(shù)據(jù)進行灰色相關度權重賦權；然后，研究為解決實驗數(shù)據(jù)系列量綱不同以及波動性較大的問題，通過1-AGO灰化處理樣本數(shù)據(jù)集的方法，使數(shù)據(jù)呈現(xiàn)單調遞增趨勢，弱化了數(shù)據(jù)的波動性，并對灰化數(shù)據(jù)系列進行歸一化處理，提高了Elman神經網絡模型的逼近效率。算例仿真表明，針對交通標志信息量度量的灰色關聯(lián)度權重分配的Elman神經網絡算法相對于標準Elman神經網絡算法擬合誤差更小，擬合效果更佳，對交通標志信息量度量具有一定參考價值。

[1] DUDEK C L, HUCHINGSON R D. Manual on real-time motorist information displays[R]. Washington: Federal Highway Administration, 1986.

[2] LAI C J. Effects of color scheme and message lines of variable message signs on driver performance[J]. Accident Analysis & Prevention, 2010, 42(4): 1003-1008.

[3] 左淑霞, 席建鋒, 肖殿良, 等. “特色交通標志” 設計及其信息量度量方法研究[J]. 中國安全科學學報, 2010, 20(11): 139-144.

[4] 盧亮, 石建軍. 基于信息量的交通標志信息表達方式比較研究[J]. 交通標準化, 2009(15): 65-69.

[5] 劉小明, 王蔚, 姜明, 等. 組合交通標志信息量閾值研究[J]. 交通運輸工程學報, 2016, 16(1): 141-148.

[6] 蔣海峰, 韓文元, 張智勇. 交通指路標志字高與視認性關系研究[J]. 公路交通科技, 2009, 26(7): 115-120.

[7] 交通部公路科學研究院. 交通標志視認性關鍵特征參數(shù)及數(shù)學模型[R]. 北京: 交通部公路科學研究院, 2008.

[8] 李勇, 胡雙啟. 灰色Elman 神經網絡在火災事故預測中的應用研究[J]. 中國安全科學學報, 2009, 19(3): 28-31.

[9] 姜平, 石琴, 陳無畏, 等. 基于Elman 型回歸神經網絡的公交客流預測[J]. 合肥工業(yè)大學學報: 自然科學版, 2008, 31(3): 340-342.

[10] 張健美, 周步祥, 林楠, 等. 灰色Elman 神經網絡的電網中長期負荷預測[J]. 電力系統(tǒng)及其自動化學報, 2013, 25(4): 145-149.

[11] 王俊松. 基于 Elman 神經網絡的網絡流量建模及預測[J]. 計算機工程, 2009, 35(9): 190-191.

（中文編輯：李愈）

Traffic Volume Information Measurement Based on Improved Elman Neural Network

LUO Chen1，LIU Lan1,2，LI Xin1，CHU Peng-yu3

（1. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China； 2. National United Engineering Laboratory of Integrated and Intelligent Transportation, Southwest Jiaotong University, Chengdu 610031, China； 3. Third Reconnoitre and Design Institution Group of the Railway Ministry, Tianjin 300000, China）

In order to improve the accuracy of traffic sign information measurement, an information transmission model on the divers congnition of traffic signs was built. As the traditional Elman neural network algorithm has a high volatility of the datasets at solving this model due to the difference of dimensions, which would result in the inaccuracy of the approximation, this paper proposed a grey correlation weight distribution of Elman neural network algorithm to solve the problem. First, the 1-AGO (1st order Accumulated Generation Operation) method was applied to process the sample data set to make it monotone increasing and weaken its volatility, then the data was normalized and its dimension was unified to accelerate the network training speed and improve the accurancy of the algorithm. The simulation results showed that the grey correlation weight distribution Elman neural network algorithm had great progress in the solving performance, which could provide an effective solution for traffic sign information measurement.

traffic signs；information measure；neural network；the grey correlation degree

1672-4747（2018）03-0001-06

U491

A

10.3969/j.issn.1672-4747.2018.03.001

2017-05-26

四川省科技支撐計劃項目（2014GZ0019-1）

駱晨（1989—），男，江西南昌人，博士研究生，主要從事交通信息量化研究。

駱晨，劉瀾，李新，等. 基于改進Elman神經網絡的交通標志信息量度量[J]. 交通運輸工程與信息學報, 2018, 16（3）: 1-6.