本發(fā)明涉及公路隧道交通管理領域，具體涉及一種隧道入口段車流控制方法。

背景技術：

公路隧道入口段是交通事故多發(fā)地段，涉及的主要因素是機動車駕駛員在隧道入口處要適應隧道內(nèi)外的光線變化，以及，車流的平均車速的變化，照度差越大駕駛員受影響越大，平均車速越快也需要更大的額外成本。傳統(tǒng)方法是隧道外增加遮陽板或者隧道內(nèi)增加照明強度，前者施工費用較大，后者日常費用較大。特別是遮陽板的長短與照明強度的大小很難隨季節(jié)變化和每天的光線的變化而變化，傳統(tǒng)方法幾乎不能根據(jù)公路隧道的實際特點及車流的實時狀況來降低交通管理成本及提高交通安全水平。

技術實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供隧道入口段車流控制方法。

本發(fā)明采用的技術方案是：

隧道入口段車流控制方法，其包括以下步驟：

S1、隧道內(nèi)行駛的車輛按車輛大小實行分道行駛，并將隧道入口處的車流進行分道行駛管制；

S2、獲取每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量；

S3、基于每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量采用BP神經(jīng)網(wǎng)絡的分類識別算法分別獲取每個車道的最佳限速值以及合理的聲光預警提示信息；

S4、分別在對應車道上顯示可變限速提示信息，并依照聲光預警提示信息對隧道內(nèi)車輛的車速進行聲光預警提示。

進一步地，所述步驟S1具體包括以下步驟：

S1.1在距隧道入口700-900米處，設置指示分道行駛的固定提示牌；

S1.2在隧道入口段針對大小車行駛的車道設置隔離欄，并在小車道上設置活動限高欄，并進行違規(guī)檢測及違規(guī)處罰。

進一步地，所述步驟S2中通過照度檢測器檢測每個車道的隧道入口內(nèi)外的照度，進而獲取對應車道的隧道入口內(nèi)外的照度差，通過平均車速檢測器分別檢測每個車道的隧道入口內(nèi)外的平均車流速度，進而獲取對應車道的隧道入口內(nèi)外的平均車流速度差；通過車流量檢測器檢測每個車道的隧道內(nèi)的車流量。

進一步地，每個車道上至少設有2個以上的照度檢測器，至少一個照度檢測器設在該車道的隧道入口內(nèi)且至少一個照度檢測器設在該車道的隧道入口外；每個車道上至少設有2個以上的平均車速檢測器，至少一個平均車速檢測器設在該車道的隧道入口內(nèi)且至少一個平均車速檢測器設在該車道的隧道入口外；每個車道的隧道內(nèi)設置至少一個車流量檢測器。

進一步地，所述步驟S4中聲光預警提示信息分成三大類：第一類黃閃狀態(tài)、第二類紅閃狀態(tài)和第三類綠閃狀態(tài)；當為第一類黃閃狀態(tài)時，則通過聲音提示車輛需要加速，亮黃閃燈，限速值增加；當為第二類紅閃狀態(tài)時，則通過聲音提示車輛需要降速，亮紅閃燈，限速值減少；當為第三類綠閃狀態(tài)時，則通過聲音提示車輛保持當前車速，亮綠閃燈，限速值不變。

進一步地，所述步驟S3具體包括以下步驟：

S3.1、建立BP神經(jīng)網(wǎng)絡三層結構：BP神經(jīng)網(wǎng)絡包括輸入層、隱層和輸出層，定義BP神經(jīng)網(wǎng)絡的輸入層神經(jīng)元為n個，輸出層神經(jīng)元為m個，隱層神經(jīng)元為l個；則將每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量作為輸入指標，即輸入層神經(jīng)元的個數(shù)n的取值為3；將BP神經(jīng)網(wǎng)絡的輸出層神經(jīng)元的個數(shù)m的取值基于聲光預警提示信息的分類設為3；并將BP神經(jīng)網(wǎng)絡的隱層神經(jīng)元的個數(shù)l的取值為5；

S3.2、訓練BP神經(jīng)網(wǎng)絡：給定訓練數(shù)據(jù)集，將訓練數(shù)據(jù)集中含有輸入層神經(jīng)元輸入值x_i的輸入樣本輸入BP神經(jīng)網(wǎng)絡，對比網(wǎng)絡預測輸出值o_k和實際輸出值Y_k，計算網(wǎng)絡預測誤差e_k；然后，依據(jù)網(wǎng)絡預測誤差e_k更新修正輸入層和隱層的連接權值w_ij、隱層和輸出層的連接權值w_jk、隱層各神經(jīng)元的閾值a_j、輸出層各神經(jīng)元閾值b_k；對于給定的訓練數(shù)據(jù)集使得輸入層和隱層的連接權值w_ij、隱層和輸出層的連接權值w_jk、隱層各神經(jīng)元的閾值a_j、輸出層各神經(jīng)元閾值b_k的取值均初始化為(0,1)分布的隨機數(shù)_；

其中_，網(wǎng)絡預測誤差e_k的更新規(guī)則滿足下式：

e_k＝Y_k-O_k,k＝1,2,...,m (1)

輸入層和隱層的連接權值w_ij的更新規(guī)則滿足下式：

$w_{ij}=w_{ij}+\mathrm{\η}(1-H_j)x_i\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k,i=1,2,...,n;j=1,2,...,l---\left(2\right)$

隱層和輸出層的連接權值w_jk的更新規(guī)則滿足下式：

w_jk＝w_jk+ηH_je_k,j＝1,2,...,l；k＝1,2,...,m (3)

隱層各神經(jīng)元的閾值a_j的更新規(guī)則滿足下式：

$a_j=a_j+\mathrm{\η}(1-H_j)\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k,j=1,2,...,l---\left(4\right)$

輸出層各神經(jīng)元閾值b_k的更新規(guī)則滿足下式：

b_k＝b_k+e_k,k＝1,2,...,m (5)

其中，H_j為隱層輸出，x_i為各神經(jīng)元輸入值，η為學習率，η的取值范圍在(0.01,0.8)；

采用反向傳播算法訓練BP神經(jīng)網(wǎng)絡，不斷輸入檢驗數(shù)據(jù)，判斷檢驗結果。反復計算誤差和修改權值、閾值，直到誤差達到一定要求范圍內(nèi)，即可結束神經(jīng)網(wǎng)絡的學習過程。

S3.3、訓練出符合要求的BP神經(jīng)網(wǎng)絡后，將獲取的每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量的數(shù)據(jù)作為預測數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中進行實時分類識別，進而獲取各車道上最佳限速值以及合理的聲光預警提示信息。

進一步地，所述步驟S3.3中還包括將預測數(shù)據(jù)納入用于訓練BP神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)集。

本發(fā)明采用以上技術方案，隨著智能技術的飛速發(fā)展，相關技術的日益成熟，在隧道入口段對不同車型機動車進行平均車速的分別控制，在大、小車道隔離的基礎上，根據(jù)隧道內(nèi)外照度差，大、小車道上平均車速差及大、小車道上各自的車流量的變化等信息進行實時動態(tài)聲光預警提示以及最佳車速控制，使各車道上車流能夠按照合理的車速行駛，使公路隧道入口段的車流能夠動態(tài)適應周圍環(huán)境的變化，更高效地保證車流通過公路隧道入口段。

附圖說明

以下結合附圖和具體實施方式對本發(fā)明做進一步詳細說明；

圖1為本發(fā)明的隧道入口段車流控制方法的流程圖；

圖2為本發(fā)明的隧道入口段的結構示意圖；

圖3為本發(fā)明的隧道入口段車流控制方法的BP神經(jīng)網(wǎng)絡的結構示意圖。

具體實施方式

如圖1至3之一所示，本發(fā)明公開了隧道入口段車流控制方法，其包括以下步驟：

S1、隧道內(nèi)行駛的車輛按車輛大小實行分道行駛，并將隧道入口處的車流進行分道行駛管制；

S2、獲取每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量；

S3、基于每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量采用BP神經(jīng)網(wǎng)絡的分類識別算法分別獲取每個車道的最佳限速值以及合理的聲光預警提示信息；

S4、分別在對應車道上顯示可變限速提示信息，并依照聲光預警提示信息對隧道內(nèi)車輛的車速進行聲光預警提示。

進一步的，如圖2所示，所述步驟S1具體包括以下步驟：

S1.1在距隧道入口700-900米處，設置指示分道行駛的固定提示牌；

S1.2在隧道入口段針對大小車行駛的車道設置隔離欄，并在小車道上設置活動限高欄，并進行違規(guī)檢測及違規(guī)處罰。

進一步地，所述步驟S2中通過照度檢測器檢測每個車道的隧道入口內(nèi)外的照度，進而獲取對應車道的隧道入口內(nèi)外的照度差，通過平均車速檢測器分別檢測每個車道的隧道入口內(nèi)外的平均車流速度，進而獲取對應車道的隧道入口內(nèi)外的平均車流速度差；通過車流量檢測器檢測每個車道的隧道內(nèi)的車流量。

進一步地，每個車道上至少設有2個以上的照度檢測器，至少一個照度檢測器設在該車道的隧道入口內(nèi)且至少一個照度檢測器設在該車道的隧道入口外；每個車道上至少設有2個以上的平均車速檢測器，至少一個平均車速檢測器設在該車道的隧道入口內(nèi)且至少一個平均車速檢測器設在該車道的隧道入口外；每個車道的隧道內(nèi)設置至少一個車流量檢測器。

進一步地，所述步驟S4中聲光預警提示信息分成三大類：第一類黃閃狀態(tài)、第二類紅閃狀態(tài)和第三類綠閃狀態(tài)；當為第一類黃閃狀態(tài)時，則通過聲音提示車輛需要加速，亮黃閃燈，限速值增加；當為第二類紅閃狀態(tài)時，則通過聲音提示車輛需要降速，亮紅閃燈，限速值減少；當為第三類綠閃狀態(tài)時，則通過聲音提示車輛保持當前車速，亮綠閃燈，限速值不變。

進一步地，所述步驟S3具體包括以下步驟：

S3.1、建立BP神經(jīng)網(wǎng)絡三層結構：BP神經(jīng)網(wǎng)絡包括輸入層、隱層和輸出層，定義BP神經(jīng)網(wǎng)絡的輸入層神經(jīng)元為n個，輸出層神經(jīng)元為m個，隱層神經(jīng)元為l個；則將每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量作為輸入指標，即輸入層神經(jīng)元的個數(shù)n的取值為3；將BP神經(jīng)網(wǎng)絡的輸出層神經(jīng)元的個數(shù)m的取值基于聲光預警提示信息的分類設為3；并將BP神經(jīng)網(wǎng)絡的隱層神經(jīng)元的個數(shù)l的取值為5；

S3.2、訓練BP神經(jīng)網(wǎng)絡：給定訓練數(shù)據(jù)集，將訓練數(shù)據(jù)集中含有輸入層神經(jīng)元輸入值x_i的輸入樣本輸入BP神經(jīng)網(wǎng)絡，對比網(wǎng)絡預測輸出值o_k和實際輸出值Y_k，計算網(wǎng)絡預測誤差e_k(網(wǎng)絡預測誤差e_k是否有容許的取值區(qū)間)；然后，依據(jù)網(wǎng)絡預測誤差e_k更新修正輸入層和隱層的連接權值w_ij、隱層和輸出層的連接權值w_jk、隱層各神經(jīng)元的閾值a_j、輸出層各神經(jīng)元閾值b_k；對于給定的訓練數(shù)據(jù)集使得輸入層和隱層的連接權值w_ij、隱層和輸出層的連接權值w_jk、隱層各神經(jīng)元的閾值a_j、輸出層各神經(jīng)元閾值b_k的取值均初始化為(0,1)分布的隨機數(shù)，且網(wǎng)絡誤差e_k達到一定的容許要求，該容許要求根據(jù)訓練實際有所取舍，兼顧訓練時常以及誤差精度；

其中，網(wǎng)絡預測誤差e_k的更新規(guī)則滿足下式：

e_k＝Y_k-O_k,k＝1,2,...,m (1)

輸入層和隱層的連接權值w_ij的更新規(guī)則滿足下式：

$w_{ij}=w_{ij}+\mathrm{\η}(1-H_j)x_i\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k,i=1,2,...,n;j=1,2,...,l---\left(2\right)$

隱層和輸出層的連接權值w_jk的更新規(guī)則滿足下式：

w_jk＝w_jk+ηH_je_k,j＝1,2,...,l；k＝1,2,...,m (3)

隱層各神經(jīng)元的閾值a_j的更新規(guī)則滿足下式：

$a_j=a_j+\mathrm{\η}(1-H_j)\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k,j=1,2,...,l---\left(4\right)$

輸出層各神經(jīng)元閾值b_k的更新規(guī)則滿足下式：

b_k＝b_k+e_k,k＝1,2,...,m (5)

其中，H_j為隱層輸出，x_i為各神經(jīng)元輸入值，η為學習率，η的取值范圍在(0.01,0.8)；

采用反向傳播算法訓練BP神經(jīng)網(wǎng)絡，不斷輸入檢驗數(shù)據(jù)，判斷檢驗結果。反復計算誤差和修改權值、閾值，直到誤差達到一定要求范圍內(nèi)，即可結束神經(jīng)網(wǎng)絡的學習過程。

S3.3、訓練出符合要求的BP神經(jīng)網(wǎng)絡后，將獲取的每個車道在隧道入口內(nèi)外的照度差、隧道入口內(nèi)外的平均車流速度差和隧道內(nèi)的車流量的數(shù)據(jù)作為預測數(shù)據(jù)代入BP神經(jīng)網(wǎng)絡中進行實時分類識別，進而獲取各車道上最佳限速值以及合理的聲光預警提示信息。如果是第一類黃閃狀態(tài)，則聲音提示車輛需要加速，亮黃閃燈，限速值增加；如果是第二類紅閃狀態(tài)，則聲音提示車輛需要降速，亮紅閃燈，限速值減少；如果是第三類綠閃狀態(tài)，則聲音提示車輛保持當前車速，亮綠閃燈，限速值不變。

進一步地，所述步驟S3.3中還包括將預測數(shù)據(jù)納入用于訓練BP神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)集。

對于本發(fā)明的上述實施例可將訓練BP神經(jīng)網(wǎng)絡生成的歷史數(shù)據(jù)的一部分作為當前的訓練數(shù)據(jù)集，歷史數(shù)據(jù)的另一部分作為檢驗數(shù)據(jù)集，實時采集的檢測數(shù)據(jù)作為預測數(shù)據(jù)集；

本發(fā)明采用以上技術方案，利用隔離欄分離大、小機動車道，可以左邊是小車快速車道，右邊是大車慢速車道，特別在左邊的小車快速車道上安裝活動的限高架并對觸碰限高架的車輛進行違規(guī)處罰，目的是控制大、小車輛分道進入公路隧道；然后，通過照度檢測器、平均車速檢測器和車流量檢測器進行相關數(shù)據(jù)自動采集，并將相關數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡進行分類識別出各車道上的最佳限速值及聲光預警提示信息；最后，利用可變信息顯示屏及聲光預警設備實現(xiàn)公路隧道入口段的車流控制，當車流從入口段進入公路隧道一段距離后，利用固定車速限速提示牌再分別提示不同車道上車輛要按各道及各自限速值行駛。