第5期 陈亮，等：RBF神经网络的行车路径代价函数建模 ·425· 实际应用中，弧段对应于两相邻路口之间的路 种影响因素的完全搭配可产生243个样本对，而每 段，路径对应于出发地到目的地之间的行车路线，代 个样本对中的教师信号必须来自与输入条件相符的 价函数值则对应于行车时间代价.实际道路中，很多 实际情况.为了减少工作量，采用正交实验设计法来 因素都会影响车辆通过路段的时间，表1列出了可 构造样本集，其优点是：正交表能在保证采集数据均 能影响车辆通过路段时间的主要因素[们 匀分布的前提下，大大减少训练网络所需的样本数 表1车辆通行时间的影响因素 本文将每个影响因素分成3个水平，如表2所示.表 Table 1 The influencing factors of vehicle travel time 2给出了水平因素表，1~是对道路通行时间不 影响因素 同的影响因素，再将每一个影响因素具有的3个水 时间段、天气情况（风、雨、雪、雾、沙尘）、季 平填入表中. 自然 节变化： 表2正交实验法水平因素表 Table 2 The level of factor orthogonal experiment table 车道数、车辆转向、自助红绿灯数量、路段长 系统 度、实时交通路况 因 素 水平 第2 名3 多 xs 管理 交通事故、交通管制、交通限行 水平1畅通1~20 ,≤500 直行 在诸影响因素中，可进一步筛选出相互独立的 水平2缓行31 500<,≤1000左转 主要因素.经过深人调研，本文确定了5个相互独立 水平3拥堵42 x4>1000 右转 的影响因素：实时交通路况、车道数（路宽）、道路长 采用的正交试验如表3所示.将5个不同因素 度、自助红绿灯数量以及车辆转向 的不同水平分别排列组合得到的18种实验组合情 2基于RBF网络的路段代价函数建模 况.虽然只给出了18种实验组合情况，但是用这个 表设计的训练集保证了实验数据的代表性， 在实际道路中，车辆通过路段的时间与其影响 表3正交实验设计表 因素之间存在着严重的非线性和不确定性，因此很 Table 3 Orthogonal experiment 难用解析式来表达.人工神经网络适于处理非线性 样本号 竹 节 ￥4 问题，利用神经网络建立路径代价函数模型，是一种 0 0 0 0 0 可行的途径⑧].适合拟合非线性关系的神经网络主 0 2 1 要有BP网络和RBF网络，经实验对比，采用效果较 0 2 2 好的RBF网络进行建模91」 4 1 0 0 1 1 2.1基于正交实验的训练集设计 5 1 1 2 2 6 2 0 0 RBF网络的输入是影响车辆通行时间的因素， 2 教师信号是车辆通过路段的实际时间.本文所确定 P 0 的影响因素包括：实时路况x1、车道数量2、行人自 9 0 2 1 助式红绿灯数量x3、路段长度x4、车辆在路口的转 10 2 1 向方式5 11 0 2 可以看出，上述影响因素既有语言变量，又有数 12 0 值变量.首先，对各影响因素进行数值化和离散化 13 0 1 2 0 其中：x1为语言变量，根据北京市交通管理局现有 14 1 0 1 标准划分，共分为3种路况：“畅通”、“缓行”、“拥 15 1 0 2 堵”，与3个语言值对应，x1取值分别为0、1、2；x2可 16 2 0 1 2 直接采用实际车道数，分为1~2条、3条、4条3种 公 2 1 0 2 0 情况，2取值分别对应为0、1、2；行人自助式红绿灯 e 2 0 1 数量x3,可直接采用实际数量，取值分别为0、1、2. 2.2基于RBF网络的路段代价函数建模 路段长度4可离散为3个区间，分别为小于500m、 由于采集到的输入输出数据取值范围差别很 500~1000m、大于1000m,对应的x4取值为0、1、 大，需进行归一化处理，将输入数据归一化到[-1， 2；x也是语言变量，可分为“直行”、“左转、“右转” 1]区间，教师信号的时间单位采用小时，归一化到 3种情况01，分别用0、1、2表示.按照上述规定，5 (0,1]区间四.数据归一化后的情况如表4所示