·426 智能系统学报 第6卷 表4数据归一化 表4根据x1~x这5个影响行车时间因素的 Table 4 Data normalization 实际情况，依据表3，然后分别将其归一化，如x1~ 路况车道数 红绿灯数路段长转向 行车时间 4归一化的原则是本身对应的3个水平，将其归一 化至[-1,0,1]，是时间，将其归一化至[0,1]. -1 -1 -1 -1 -1 0.071 0 RBF网络的设计与训练采用函数net= -1 -1 -1 0.040 -1 0 0 0 0 0.130 newb(P,T,goal,spread),其中，P为5维输人向量， -1 0 0 -1 0.082 T为网络输出的行车代价值，训练误差目标值goal -1 1 1 0.111 设定为0.O1,spread为径向基函数的扩展系数，经调 -1 1 1 0 0.156 试取为1.52 0 -1 -1 0 0 0.231 2.3模型验证 0 1 -1 0 1 0.201 由于特定路段的行车时间具有不确定性，采用 0 1 0.221 0 -1 0 -1 0.244 上述方法建立的路段代价函数其输出并非准确的行 1 -1 0 0.401 车时间，而是行车代价值，其作用是通过比较不同可 -1 1 -1 0.381 达路线的行车代价从而确定最优行车路线.本文用 0 0.308 表5中的15组实际数据对模型进行验证，结果如表 1 0 0 0.371 5的第7列所示 0.360 表5仿真结果对比 Table 5 Simulation results comparison 路况 车道数 红绿灯数 路段长/m 转向 实测行车时间/8 网络预测的行车代价值 畅通 2 0 440 右转 168 畅通 2 1 470 直行 55 178 畅通 2 1 470 左转 65 179 畅通 3 800 直行 58 173 畅通 800 右转 75 169 缓行 3 800 左转 90 219 缓行 3 1 800 右转 200 213 缓行 4 0 1220 左转 254 233 缓行 2 500 直行 225 209 缓行 470 直行 218 223 缓行 0 1700 左转 225 233 拥堵 2 500 右转 271 251 拥堵 3 0 1700 左转 305 271 拥堵 0 1700 右转 299 256 拥堵 3 2 760 右转 302 269 从表5可知，拥堵路段的网络预测代价值要明显 x4都是正向关因素，即水平越高，所花费时间越长，网 大于畅通与缓行的值，说明实际道路路况是影响车辆 络的预测值同样也越大，而2是反相关因素.仿真结 行驶时间的主要因素，当其他因素相同时，转向会影 果如图1所示，同样也可以看出，神经网络的仿真预 响所用的时间，如左转比直行和右转花费的时间都 测结果与实测结果趋势一致，表明所设计的路段行车 多，这与日常常识是相符的.5个影响因素中的x1x3、 代价函数模型可靠.图1中需要说明的是，实际行车 路线是以秒为单位计时，而神经网络计算的行车代价