基于BP人工神經網絡的高速公路能見度預報

張杰，熊權

基于BP人工神經網絡的高速公路能見度預報

張杰，熊權

（銅陵市氣象局，安徽 銅陵 244100）

選取2017—2018年滬渝高速公路銅陵段682 d有霧和無霧天氣事件，通過溫、濕、風、降水等12類氣象資料，基于BP神經網絡構建高速公路能見度預報模型。預測結果表明，當迭代次數為6次時，神經網絡預測結果達到最佳，模型總體相關系數為強相關性，預報準確率達到較高水平，預測結果和樣本點分布趨于一致，模型構建合理。

高速公路；BP人工神經網絡；能見度預；回歸結果

1 引言

近年來，隨著城市工業化和城鎮化進程的加快，空氣污染成為棘手的環境問題，由此產生的霧霾天氣導致交通事故逐漸增加，對國家財產和人民生活構成嚴重威脅。目前人工神經網絡已經廣泛運用在大氣科學研究中，神經網絡系統的自適應學習能力和集體運算能力可以高精度接近任何復雜的天氣系統。在一定程度上，能彌補回歸模式的缺陷，在能見度預報中有較高的研究價值。判斷霧霾天氣最重要指標是大氣能見度，近年來國內外學者紛紛應用人工神經網絡開展能見度預測[1-8]。

銅陵市地處北亞熱帶濕潤季風氣候區，一年四季都有霧霾發生，隨著城市的工業化加快，污染物排放增加，銅陵市霧霾天氣呈增多趨勢，特別是近年來大范圍的持續霧霾天氣顯著增多，霧霾主要集中在10月至次年1月，特別是1月、11月、12月，大霧月平均天數均超過2 d。因此，開展銅陵市高速公路能見度預報的研究，對提升城市防災減災能力、減少人員財產損失具有極其重要的意義。

2 資料與方法

2.1 資料來源

本文選取2017—2018年滬渝高速公路銅陵天門鎮六要素自動氣象站逐日資料進行研究，數據包括逐日平均溫度、最低溫度、最高溫度、平均相對濕度、最小相對濕度、平均風速、最大風速、極大風速、累計降水量等12類氣象資料，該資料由安徽省氣象信息中心收集并嚴格質量控制。

2.2 預報模型

BP人工神經網絡是一種按照誤差逆向傳播算法進行訓練的多層前饋神經網絡，是目前應用最廣泛的神經網絡。其主要特征是信號前向傳播，而誤差反向傳播。BP人工神經網絡的基本組成單元是神經元，常用的激活函數包括線性函數、斜坡函數、閾值函數、正切S型函數和雙極S型函數。神經元共同組成神經網絡，神經網絡拓撲結果是分層結構，一般包括輸入層、中間層、輸出層。

本文神經網絡輸入層包括12類樣本數據，中間層包括16個神經元，輸出層包括預測能見度數據。該模型采用正切S型函數作為其傳遞函數，并選取Trainlm作為訓練函數，將最大訓練次數設置為1 000次，將訓練目標最小誤差設置為0.001，將學習速度設置為0.001。網絡拓撲如圖1所示。

圖1 網絡拓撲圖

3 結果與分析

3.1 網絡誤差變化情況

神經網絡的輸出與實際輸出之間的誤差逐漸減小，在迭代次數為6次時，此時訓練集誤差、測試集與驗證集誤差趨于一致，誤差變化緩慢，網絡擬合結果達到最佳。

3.2 網絡參數訓練情況

隨著迭代次數增多，函數梯度先下降再上升。當迭代次數為6次時，梯度達到最小值，此時動量參數趨于減小，交叉驗證次數為6次。6次以后誤差逐漸增大，網絡性能訓練結果變差。驗證數據梯度與學習次數如圖2所示。

3.3 網絡性能誤差情況

神經網絡預測能見度結果與實際能見度之間誤差主要分布在200 m前后，主要集中在﹣2 000～2 000 m之間。其中訓練集誤差主要集中在﹣300 m前后，測試集和驗證集誤差主要集中在﹣1 000 m前后，三者誤差概率分布特征各不相同。

圖2 驗證數據梯度與學習次數圖

3.4 網絡模型回歸結果

從模型樣本和實際輸出結果看，總體相關系數為0.63，訓練集相關系數為0.72，均屬于強相關性。驗證集和測試集相關系數分別為0.41和0.48，屬于中等相關性。

相關系數回歸如圖3所示。從圖3看出，模型預測結果和樣本點分布趨于一致，模型構建合理。對比模型預測值和實際值發現，在已有的682個能見度樣本中，預測能見度級別成功個數為560個，成功率達82.1%，預報準確率達到較高水平。

4 結論及討論

本文使用近兩年滬渝高速公路銅陵段12類氣象資料進行研究，利用BP神經網絡構建能見度預報模型，分析得到以下結論：①網絡激活函數梯度隨著迭代次數增多呈現先下降再上升的趨勢。當迭代次數為6次時，梯度達到最小值，此時動量參數趨于減小，此時訓練集誤差、測試集與驗證集誤差趨于一致，交叉驗證次數為6次。②神經網絡預測能見度結果與實際能見度之間誤差主要分布在200 m前后，主要集中在﹣2 000～2 000 m之間。模型總體相關系數為強相關性，預報準確率達到較高水平，預測結果和樣本點分布趨于一致，模型構建合理。③各地高速公路地理特征各不相同，影響能見度變化的因子也各不相同，結合各地地理特征選取適當的物理量因子可能會有效提高預報精度。

圖3 相關系數回歸圖

［1］龍科軍，李超群，毛學軍，等.高速公路霧天能見度預測方法［J］.徐州工程學院學報，2017，32（1）：31-37.

［2］艾洪福，石瑩.基于BP人工神經網絡的霧霾天氣預測研究［J］.計算機仿真，2015，32（1）：402-415.

［3］王月琴，張文菊，談玲瓏.基于BP神經網絡的高速公路團霧預測研究［J］.佳木斯大學學報，2017，35（3）：485-487.

［4］何冬梅.基于人工神經網絡算法的成都大霧的預報［J］.中國科技信息，2012，24（1）：89-91.

［5］王彥磊，曹炳偉，黃兵，等.基于神經網絡的單站霧預報試驗［J］.應用氣象學報，2010，21（1）：110-113.

［6］張平華，盛凱.基于神經網絡的霧霾預測模型實證研究［J］.菏澤學院學報，2018，40（5）：17-21.

［7］趙智.基于遺傳算法優化BP神經網絡霧霾預測模型的研究［J］.科技展望，2015，27（1）：226-228.

［8］林建，楊貴名，毛冬艷.我國大霧的時空分布特征及其發生的環流形勢［J］.氣候與環境研究，2008，13（2）：171-181.

U492.8

A

10.15913/j.cnki.kjycx.2019.18.029

2095－6835（2019）18－0076－02

〔編輯：嚴麗琴〕