BP神经网络在路面管理系统中的应用

BP神经网络在路面管理系统中的应用

金朝

重庆交通大学重庆400074

摘要：当前高速公路的交通量呈明显的递增趋势，并且我国的自然环境条件十分复杂，在高强荷载和复杂环境的作用下，高速公路的病害特别是路面病害日益增多，因此我国通过建立路面管理系统为高速公路网的养护管理提供一个核心的平台。但是由于我国的路面管理系统建立时间很短，对于经验的总结和设备的先进程度仍然处在低水平线上。所以提高路面管理的现代化、科学化及智能化称为当下十分重要的科研努力方向。本文基于MATLAB的BP神经网路预测模型的分析，以加强路面管理数据分析的行为能力为目的，采用科学的管理理论及模糊数学的分析方法，为路面管理人员提供准确的路面使用性能的评测，尤其是本文提出一种自主学习且容错率较高的数学分析方法，这对于路面管理系统的数据采集、分析、评估，甚至对于整个高速公路网及社会经济的长期稳定发展具有很重要的理论和现实意义。

关键词：路面管理；BP神经网络

1引言

1.1路面管理系统的意义及目的

路面管理系统的目的是使管理部门通过这样一个平台能有效地使用资源（资金、劳力、机械设备、材料、能源等），以最低的资源消耗，提供并维持在预定使用期限内具有足够服务水平的路面。由于社会发展的需要和系统实施所带来的效益，路面管理系统得到了迅速发展。（百度百科）

1.2路面管理系统的发展现状

1984年起我国开始引用路面管理系统。路面管理系统分为两个等级，即项目级管理系统与网级管理系统，其目的不同：网级管理系统主要是针对政策和资源的统筹规划而考虑的；项目级管理系统则是针对具体项目落实的可靠度而建立。

2高速公路路面性能数据库系统

路面养护管理系统结构总体上包含了三个部分，即为数据库部分、分析工具系统部分和解释输出系统部分。其中数据库是系统各组成结构中最为基础且最重要的部分,这个仓库中包含所有与道路有关的信息。在系统的运行过程中,数据库包含了查询、浏览及报表输,同时也是进行使用性能评价、养护方案决策的关键基础。

3高速公路路面使用性能预测

路面性能预测模型可以通过对路面状况的预测计算出优化后的对策，能够实现资源最优化和养护资金的最优化。因此，路面性能预测模型是针对于路面管理系统而言极为重要的一项组成部分。

3.1确定型预测模型

如果在给定条件下，预测模型解算的结果具有唯一性，则该模型即为确定型模型。

3.1.1力学预测模型

力学预测模型是路面在基于弹性理论及粘弹性理论，并且经过结构的准确分析得到的其在荷载作用下的位移、应力、应变的状态方程，力学中的计算参数可以根据试验得到的结果来确定。

3.1.2力学—经验预测模型

力学—经验预测模型能够建立在路面的结构性能和使用寿命的预测方向上，并且可以在路面的反应的基础上做出相对精确的功能性预测。实测数据以及理论计算之间存在这经验关系，这就是力学—经验法模型建立的科学基础。

3.1.3经验回归预测模型

经验回归预测模型主要是基于检测数据来确定主要的变量，从而建立的一种公路路面使用性能预测模型。它采用了回归分析方法来进行建模。经验回归分析预测模型的优势是它拥有简单的结构、方便的更新操作。我国的CPMS中就采用了经验预测模型，其中存在三个模型形式：分阶段模型、修正S曲线模型以及负指数曲线模型。

3.2概率型预测模型

交通量、气候及荷载等因素对于路面性能变化都有不同程度的影响，所以路面性能的变化速率不确定性较大。路面在运营过程中，其使用性能的变化具有不确定性，而确定型模型无法反应这种不确定性，因此确定型模型得到的预测不够可靠，故需要概率型预测模型来更好的反应这种不确定性，其中包含了马尔可夫模型、半马尔可夫模型和残存曲线模型等，其中马尔可夫模型在路面使用性能预测的模型应用较为广泛。

3.2.1马尔可夫模型

路面性能从某种状态转化到另外一种状态形成的概率称为马尔可夫模型（例如PCI、RQI等）。马尔可夫关注了路况预测之中的不确定性，但是相较于对路况指标的只管预测，它是预测了状态转移概率，马尔可夫模型的缺点就相当明显了。

3.2.2半马尔科夫模型

半马尔科夫模型与马尔可夫模型的区别仅仅是在假设条件中，马尔可夫模型在建模中整个状态的转移过程都是静态的，然而半马尔科夫模型中状态的转移是在某一个阶段是静态的。在考虑了气候、交通以及路面状况的变化之后，半马尔可夫模型对转移过程的预测更加接近了现实问题的变化。

3.2.3残存曲线模型

在路网内应用最广泛，应用时间最长的就是残存曲线模型，残存曲线模型在不考虑改建或大型维修的前提下，在时间变化的条件下，路面性能的残存比例形成的曲线，残存曲线仍然能适合做设计路网内的路面改建及养护方案。

3.3基于BP神经网络预测

MATLAB神经网络工具是MATLAB7.1高性能可视化数学计算软件的重要部分。针对与神经网络系统的设计与分析，神经网络工具箱提供了可以直接供调用的函数、Simulink仿真、和用户界面工具，对于神经网络系统设计和分析，神经网络工具箱是一种绝佳的工具。

3.3.1BP神经网络

在通过引入多级网络从而基本解决了线性不可分问题之后，难点就成为了怎么样估算隐藏的网络神经元存在的误差。因为对于实际问题而言，推算出隐藏层任意神经元的理想输出指是不可能的。BP算法（后传播算法）利用了类似于最小二乘法的想法，逐步推演，通过利用输出层的误差来估计该输出层的直接前导层的误差，然后用该误差估计再前一步的误差。持续到第一步输入层的误差，就可以得到每一层之间的误差值。

3.3.2BP神经网络算法

实现BP算法具体的步骤如下：

（1）对权值矩阵w、v进行初始化学习赋值，P（样本模式计数器）及q(训练计数器)初始赋值为1，初始误差E设置为0，η（学习率）预设区间为0~1，在一定的训练后会达到一个最小的误差精度EMIN，该误差精度初始值需要设置为一个较小的数值；

（2）对应的训练样本在输入时，要进行输出层以及隐含层的输出值；

（3）网络输出总误差计算包含了P对训练样本，不同的样本在同一网络下会产生不同的误差，因此在计算样本的输出误差时，可以对诸样本的输出误差做累加计算，以此作为系统的总误差E。

（4）对诸样本训练完成度进行检查，其法则为一个循环语句：若p<P，则令样本模式计数器p=p+1，返回步骤（2）重新计算输出层及隐含层的误差输出值，若p>P，则继续算法至步骤（5）。

（5）每一层之间的误差信号的计算；并且对每一层的权值进行及时的微调。

（6）对网络总误差是否达到误差精度的要求做出检查，若E<EMIN，则终结训练，若E>EMIN，则令p=p+1，返回步骤（2）。

4高速公路路面性能预测基于BP神经网络模型的应用

BP神经网络模型在应用到路面性能预测模型上的实际问题中需要考虑以下几种问题：

（1）在路面性能预测模型的建立时，影响路面性能的各种相关因素必须要做出分析，其中包含气候条件、工程因素、路面类型等。

（2）在实际问题的应用之中，BP神经网络模型也有自身的不足之处：无法得到较为可靠的预测值，所以其预测的结果会直接影响养护、维修的决策选择。

（3）BP神经网络能够基于自身的自学习性、自适应性来仿真得到较小的误差，因此其得到的预测值可以作为跨年度的维修、养护资金需求的参考。

参考文献

[1]李卉,孙伟.BP神经网络学习效率研究[J].价值工程,2018,37(12):183-186.

[2]玄扬,王汝凉.BP神经网络的双重优化的改进研究[J/OL].广西师范学院学报(自然科学版)

[3]杨俊雪.BP神经网络算法的优化[J].福建电脑,2018,34(03):160+148.

作者简介：金朝（1995-），男，硕士，主要从事路面材料研究工作，E-mail:1500987414@qq.com