基于RT-WAR算法的神經(jīng)網(wǎng)絡(luò)在隧道監(jiān)控中的研究.pdf

1、隨著城市化進(jìn)程的加快，公路隧道在城市交通中的地位越來(lái)越重要。由于隧道修建于地下，所以隧道內(nèi)的環(huán)境較為惡劣，對(duì)于隧道的管理也較正常路面復(fù)雜。因此，對(duì)隧道進(jìn)行研究，并給出高效、合理的管理方法非常的有必要。
　　隧道在實(shí)際運(yùn)行過程中會(huì)產(chǎn)生大量的監(jiān)控?cái)?shù)據(jù)，而對(duì)這些監(jiān)控?cái)?shù)據(jù)的挖掘?qū)λ淼辣O(jiān)控策略的制定有著巨大的價(jià)值。本文將結(jié)合數(shù)據(jù)挖掘方法和智能方法對(duì)隧道監(jiān)控系統(tǒng)的管理給出一套具體的模型。最后對(duì)CO濃度超標(biāo)時(shí)間和交通堵車狀況進(jìn)行預(yù)測(cè)，目的是讓工

2、作人員及時(shí)合理的給出相應(yīng)的解決方法，這對(duì)于減少交通傷害將會(huì)起到重要的作用。
　　關(guān)聯(lián)規(guī)則中非常經(jīng)典的算法是Apriori算法，該算法可以挖掘出各個(gè)項(xiàng)目之間的關(guān)聯(lián)性，對(duì)隧道智能決策的制定非常有幫助。但是該算法具有反復(fù)掃描數(shù)據(jù)庫(kù)和產(chǎn)生大量候選項(xiàng)集的缺點(diǎn)。針對(duì)這兩個(gè)缺點(diǎn)，本文加入了事務(wù)壓縮的方法，對(duì)Apriori算法進(jìn)行改進(jìn)，減少了掃描數(shù)據(jù)庫(kù)的次數(shù)和候選項(xiàng)集的數(shù)量，提高了算法的效率。針對(duì)隧道數(shù)據(jù)的特點(diǎn)，本文引入了權(quán)重的概念，通過對(duì)數(shù)據(jù)記

3、錄縱向加權(quán)，區(qū)分不同時(shí)期數(shù)據(jù)的重要性，增強(qiáng)近期數(shù)據(jù)對(duì)挖掘的重要性，保證數(shù)據(jù)挖掘的準(zhǔn)確性。因此，本文提出了改進(jìn)的基于事務(wù)壓縮的加權(quán)關(guān)聯(lián)規(guī)則(Reducing TransactionbasedWeightedAssociationRule)RT-WAR算法。最后，通過實(shí)驗(yàn)將該算法與Apriori算法進(jìn)行了對(duì)比，實(shí)驗(yàn)得出RT-WAR算法在效率上有了很大的提高。
　　通過關(guān)聯(lián)規(guī)則挖掘出的數(shù)據(jù)之間的關(guān)聯(lián)度，對(duì)于預(yù)測(cè)隧道環(huán)境態(tài)勢(shì)和交通態(tài)勢(shì)十分

4、有用，本文預(yù)測(cè)的是CO濃度何時(shí)會(huì)超過正常標(biāo)準(zhǔn)和隧道堵車狀況，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。在預(yù)測(cè)的初期，依據(jù)關(guān)聯(lián)規(guī)則挖掘的結(jié)果確定神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)以及初始權(quán)值。這種方法比盲目的給出輸入層因素和隨機(jī)權(quán)值，更有利于加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，同時(shí)提高了預(yù)測(cè)的準(zhǔn)確性。
　　本文建立了一套隧道監(jiān)控系統(tǒng)的預(yù)測(cè)模型，將實(shí)際運(yùn)營(yíng)的武漢水果湖隧道的歷史數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，先是將數(shù)據(jù)進(jìn)行預(yù)處理，然后進(jìn)行關(guān)聯(lián)規(guī)則分析，最后用神經(jīng)網(wǎng)絡(luò)對(duì)CO濃度超標(biāo)時(shí)間和