基于ANFIS模型隧道交通量预测研究

赵忠杰，师 虹

（长安大学 电子与控制工程学院，西安 710064）

随着我国隧道数量的增多，隧道通风与照明的用电量越来越大，使得投资运营费用也越来越高，所以隧道节能迫在眉睫。而且交通量是通风控制的决定性因素，由于实时通风控制具有一定的时滞性，交通量的预测就显得尤为重要。有很多学者对隧道通风控制和照明控制提出了很多节能方法，以此来减少隧道的污染和能耗，但是这些控制方法都是建立在交通量预测的前提下提出的[1]。

由于交通流显著的特点就是具有高度非线性和不确定性，所以本文选取ANFIS（自适应神经模糊推理系统）模型来克服一般的预测方法过程复杂、成本高、非线性适用度的问题，它把神经网络的自组织、自学习和自适应能力强的特点和模糊推理系统的经验性、主观思想以及它的方便性很好的结合起来，既很好的发挥了自己的优势，同时又弥补了各自的不足，而且这种预测模型仅仅是通过对大量历史数据的学习就可以确定最佳隶属度函数以及对模糊规则，不像经验法那样片面，与传统的模糊控制器设计很有优势，通过不断的训练与自适应能力解决上述问题，可以很好的于隧道交通量的预测[2]。

因此本文在采用ANFIS模型预测交通量的同时，利用Matlab自适应模糊神经工具箱通过对算法和参数进行调整进行仿真，对西汉高速的秦岭1号隧道的上行线交通量进行预测研究，并与小波神经网络预测方法进行对比分析，验证预测精度。

1 ANFIS推理系统

1.1 基于Takagi-Sugeno模型ANFIS推理系统

基于Takagi-Sugeno模型的神经模糊系统是一种自适应能力很强的非线性模糊推理模型，主要作用是在神经网络的基础上，进行结构调整和参数调整的系统优化，它是一个多输入单输出系统[3]。在Matlab工具箱中，提供了一个函数genfis1（），可以用来为ANFIS模型产生T-S型的模糊推理系统中隶属度函数的初值，它是利用网格分割的方式，根据初始给定的数据集产生模糊推理系统，一般情况下，经常与函数ANFIS（）配合使用，对于函数genfis1（）生成的模糊推理模型，其输入数据、隶属度函数的类型、数目均可以在使用时根据实际情况自行设定，也可以采用系统的默认值[4]。其调用格式为

或者

其中，data为给定输入或者输出数据的集合，最后一列为输出，其余列为输入数据；numMFs代表每个输入语言变量的隶属度函数个数；inMFType为输入隶属度函数的类型；outMFType为指定输出的隶属度函数类型。

ANFIS预测模型采用的学习算法为hybrid，即为最小二乘法和反向传播算法相结合的混合算法，这种算法实际上是调整前提参数和结论参数，然后自动产生if-then规则[5]。在生成FIS结构的方式后，对误差容限和训练步长等参数进行设定，之后对生成的模型结构进行测试检验，若精度满足要求，则模型建立成功。

1.2 小波神经网络建模

小波神经网络是建立神经网络结构基础上，把隐含层节点传递函数用小波基函数代替的一种预测模型，其原理是在信号向前传播的同时，误差则反向传播；该模型一般采用梯度修正法修正网络的权值和小波基函数[6]。基于小波神经网络预测模型的建立简要流程如图1所示。

图1 小波神经网络预测流程Fig.1 Wavelet neural network prediction flow chart

作为比较模型，本案例采用的数据仍为秦岭1号隧道上行线2017年的交通量历史数据，输入层有3个节点，表示预测时间节点前3个时间点的交通量，隐含层设为3个节点，输出层为1节点。

1.3 交通量预测性能指标

为了更好地衡量交通量预测模型的好处，在这里采用均方根误差RMSE和平均绝对百分比误差MAPE对ANFIS系统和小波神经网络进行预测性能评价。在这里假设与数据序列为y0，预测结果为y1，则误差表达式为

（1）均方根误差（RMSE）

（2）平均绝对百分比误差（MAPE）

2 隧道交通量预测仿真实例

2.1 数据预处理

本文的研究对象为西汉高速的秦岭1号隧道上行线的实际运行交通量数据，隧道左线长6144 m，右线6102 m，为两车道双洞单向交通，设计车速为80 km/h；目前已有的通风方式为全射流纵向通风方式。本次研究收集获得了2017年秦岭1号隧道上行线的交通量数据，因为西汉高速所处位置优势，以及包茂高速部分对大货车的限制，从而转向西汉高速，致使西汉高速的交通量普遍较大，现对其进行交通量的变化分析。

因为本次对隧道交通量预测研究的意义主要是对通风进行节能提供一定的实现依据，而且风机短时间频繁进行启停对风机损害较大而且对电网波动有很大影响，所以本次数据的采样周期为60 min，以后续1 h的预测交通量为主要参考依据实现风机启停数目的控制，做到超前控制，从而对通风节能起到辅助作用。共取得2017年全年的秦岭1号隧道交通量数据，以下是对该隧道近一年的小时、日交通量的趋势变化图的分析。

2.1.1 小时交通量变化分析

从图2中可以看出，一天当中的高峰期集中在8：00～14：22，最大交通量可达 1213 辆/小时，小时平均交通量为599辆/小时。

图2 4月3日小时交通量变化趋势Fig.2 Hour traffic volume trend on April 3

2.1.2 日交通量变化分析

图3是以2017年12月的日交通量数据为例，可以看出日交通量很大，最高可达到8767辆/d，就算是14号和25号有所下降，最低也要达到6935辆/d，日平均交通量达到7816辆/d以上，相比于其他公路隧道，交通量已经很大，并且以后可能有上升的趋势，这也就意味着隧道中机电安全设施的配置运营会有相比于一般隧道而言更大的开支，所以对秦岭1号隧道的交通量研究很有必要。

综上，从图2、图3可以看出，在交通流曲线大致呈现24 h的变化规律的基础上，有些数据起伏比较大，这是因为交通量在节假日会出现明显的增加，炎夏季节又有明显的减少，所以需要对样本数据的选取就是尽量避开节假日等存在交通量数据突变的情况，选取稳定的数据段，使其具有一般性（特殊情况例如节假日或者突发状况的预测之后再另作研究），并对该对数据进行整理做成样本数据，进行训练。

图3 日交通量变化趋势Fig.3 Daily traffic volume change trend

2.2 基于ANFIS隧道交通量预测模型的建立

2.2.1 ANFIS隶属度函数类型个数的选取及训练次数的确定

本次预测模型为3输入1输出，由于隶属度的类型和个数对预测模型的性能起着重要的作用，目前对隶属度的类型和个数没有行之有效的方法，所以在这里采取经验试探法进行最佳隶属度的选择[7]。在这里我们分别采用钟形、三角形、和高斯型函数形隶属度函数对其进行训练，得出高斯函数接近元数据的效果最好，故确定隶属度函数类型为高斯函数，训练后的隶属度函数如图4所示；进过反复调试与比较，预测效果最好的隶属度个数为3，采用hybrid学习算法，生成的ANFIS网络图如图5所示。

图4 训练后的隶属度函数Fig.4 After training membership function

图5 ANFIS网络结构图Fig.5 Network structure diagram of ANFIS

2.2.2 ANFIS训练次数的确定

在选定隶属度函数之后，对选取的连续400组的连续小时交通量训练数据（2017年1月历史数据）进行训练，产生的ANFIS预测曲线与训练数据的输出曲线如图6所示，可以看出，系统预测输出曲线与训练数据曲线得到较好的吻合。

图6 训练数据与ANFIS系统输出曲线Fig.6 Training data and ANFIS system output curve

同时对初始训练次数定位200次，得到的误差变化曲线如图7所示，从图中可以看出，系统误差随着训练次数的增加逐渐减小，当训练次数达到120次左右时，误差基本趋于稳定，不再有明显的变化，所以训练次数定位120次。

图7 训练误差变化趋势图Fig.7 Training error trend chart

3 预测模型结果及分析

在确定了建立模型的一系列相关参数后，系统输出曲线可以很好的符合原数据曲线，训练数据得到预测模型的部分测试结果如表1所示，平均预测误差为3.369%，基本可以满足设计要求，然后将检验数据输入到已训练好的预测模型ANFIS中进行检验预测，得到预测结果以及相对误差百分比如图8、图9所示。

表1 训练数据测试数据表Tab.1 Test data sheet of training data

图8 ANFIS检验数据及预测结果的输出Fig.8 Output of ANFIS test data and predicted results

图9 ANFIS预测系统误差百分比Fig.9 Error percentage of ANFIS predicts system

从图8的预测输出曲线和图9误差分布曲线中可以看出，对于检验数据而言，训练数据训练生成的ANFIS预测模型可以很好的逼近原数据，相对误差百分比为3.56%，对于实际应用来说，完全可以达到设计精度要求。

同时我们对小波神经网络也进行了相同数据和设置参数下的预测模型仿真，其预测输出如图10所示，其误差比如图11所示。

图10 检验数据与小波神经预测网络输出Fig.10 Output of test data and wavelet neural prediction network

图11 小波神经网络预测误差百分比Fig.11 Error percentage of wavelet neural network prediction

从图10和图11中可以看出，虽然小波神经预测网络也可以实现一定程度的精度预测，但是与ANFIS系统相比，还是有一定的差距，其平均误差百分比为9.562%。

现对2种预测模型的预测性能参数进行预测性能MAPE和RMSE比较分析[8]，见表2。从表中我们可以看出，不管是与原数据的逼近程度还是误差变化，ANFIS预测模型都要优于小波神经网络预测模型，预测精度更高，可以用于实际隧道交通量的小时预测，以对隧道通风节能提供辅助作用。

表2 ANFIS与小波神经网络预测模型性能分析对比表Tab.2 Comparison of performance analysis between ANFIS and wavelet neural network prediction model

4 结语

ANFIS（自适应神经模糊推理系统）集神经网络和模糊推理系统两者的优点集于一身，在以往历史数据的前提下，很好的实现了ANFIS的预测功能，通过对隧道交通量超前的预测，可以为隧道通风照明节能提供实现依据[9]。在预测系统建立过程中也存在一些缺陷，例如在本次预测模型只针对一般性的小时交通量进行预测，对于节假日或特殊情况的交通量预测不适用，日后将有待以后进一步的研究，对预测系统进行完善。