CN102722989A - 基于模糊神经网络的高速公路微气象交通预警方法 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的高速公路微气象交通预警方法，包括以下步骤：交通流与微气象检测点的布设；定义模糊神经网络交通控制器；模糊神经网络交通控制器的训练；利用最优的模糊神经网络交通控制器生成交通安全行车参数；交通控制信息发布，该方法通过高速公路沿线降雨量、降雪量、温度、能见度等气象参数的综合检测，利用模糊神经网络的方法，发布车辆运行限速值、车距限制值，超车限制以及换车道限制措施。在高速公路上应用该方法，能够在恶劣天气条件下，提高行车安全性。

Description

基于模糊神经网络的高速公路微气象交通预警方法

技术领域

本发明涉及一种交通安全技术，尤其是一种基于模糊神经网络的高速公路微气象交通预警方法。

背景技术

目前，随着高速公路通车里程的增加，灾害性天气对高速公路交通安全的影响日趋凸显。在恶劣天气情况下，驾驶员更不易及时获取警示信息，从而造成数百辆汽车追尾的重大事故时有发生，因此，高速公路在恶劣天气的情况下只能关闭，高速公路的快速预警及智能化管理，越来越受到人们的关注和重视。

通过检索论文发现：程从兰，李迅，郑祚芳，王在文，梁旭东.北京道路气象预警指标构建及初步应用，第27届中国气象学会年会议论文集，2010，10.冯民学，高速公路交通气象智能化检测预警系统研究，南京信息工程大学博士论文，2005.张长君，邹开其.恶劣气象条件下高速公路NN控制系统的研究,计算机工程与应用，2007，43（4）：210-212.王少飞，关可.高速公路气象信息服务系统.中国交通信息产业，2007（1）：116-119.上述研究在分析不同气象条件对通行能力影响的基础上，针对不同气象条件给出气象预警信息。但并未直接从高速公路管理的角度出发，给出交通预警信息。汤筠筠，高海龙，张巍汉.高速公路雾区监控系统结构方案的研究，公路，2005,8.王卫亚.基于无线传感网络的高速公路恶劣气象监测及交通控制模型研究，长安大学，2008.柳本民，灾害性天气下高速公路运行安全控制技术研究，同济大学博士学位论文，2008.上述研究在分析能见度和路面附着系数对高速公路行车安全影响的前提下，通过模糊控制理论或气象部门、高速公路管理部门以及一线司机实际经验与测试，对雾、雪、雨天气下的限速值和安全间距进行规定。存在三点问题：一是，并未在全面气象监测的基础上，对车辆行车安全进行预警，考虑因素不够全面；二是，模糊推理隶属度直接由经验给出，主观性强。三是，未考虑道路交通流状况的影响。

中国专利申请200910061448.3公开了一种高速公路气象监测系统。以及申请号：200910060562.4公开了一种高速公路防追尾预警系统。中国专利申请200710077671.8公开了一种高速公路路段气象信息提示系统。上述发明均针对高速公路预警系统硬件设施进行设计，并未涉及在数据采集基础上，如获取安全行车参数及交通预警的方法。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于模糊神经网络的高速公路微气象交通预警方法，该方法通过高速公路沿线降雨量、降雪量、温度、能见度等气象参数的综合检测，利用模糊神经网络的方法，发布车辆运行限速值、车距限制值，超车限制以及换车道限制等措施。在高速公路上应用该方法，能够在恶劣天气条件下，提高行车安全性。

为实现上述目的，本发明采用下述技术方案：

一种基于模糊神经网络的高速公路微气象交通预警方法，包括以下步骤：交通流与微气象检测点的布设；定义模糊神经网络交通控制器；模糊神经网络交通控制器的训练；利用最优的模糊神经网络交通控制器生成交通安全行车参数；交通控制信息发布，具体操作步骤如下：

步骤1：在高速公路路侧每间隔一定距离设置若干交通流与微气象监测点，检测该路段交通流情况以及微气象参数数据，通过多传感器数据融合技术，得到路段交通流以及气象信息，交通流与微气象数据采集为下一步模糊神经网络控制做准备；

步骤2：采用基于Takagi-Sugeno（高木—关野）推理的模糊神经网络构建高速公路微气象交通控制器，定义步骤1采集得到的交通流信息和气象信息为状态变量，作为所述控制器的输入值，定义高速公路控制方式、限速值以及安全间距值为控制变量，作为所述控制器的输出值；

步骤3：采用气象部门以及交通管理部门的气象、交通流、控制措施及其实施效果历史数据库，结合专家经验构建模糊神经网络交通控制器的训练样本，对高速公路微气象交通控制器进行训练，将训练误差减小到预定阈值或达到训练次数，以得到最优控制器；

步骤4：将实时采集的交通流信息以及微气象信息输入最优的模糊神经网络交通控制器，生成针对该时刻交通流状况以及气象信息的高速公路交通控制方案，包括预警措施、限速值以及安全间距值；

步骤5：在每个交通与微气象监测点上游布设可变信息板，对交通控制器输出的安全行车预警信息进行发布。

所述步骤2中模糊神经网络构建高速公路微气象交通控制器分为五层结构：

第一层为输入层，输入值为高速公路交通流与微气象检测点采集的参数数据，表示为x＝{x₁,x₂,x₃,...,x_n}，其中，n表示输入参数的个数，n为大于等于1的整数，而x₁,x₂,...x_n分别表示交通流参数即速度、流量、占有率以及微气象参数即能见度、温度、湿度、气压、风向、风速、地面温度；

将输入参数按照从小到大的顺序划分为5个等级，分别为{NB负大，NS负小，Z零，PS正小，PB正大}，其意义为相应的参数指标值为小、较小、中等、大、较大；所述控制器的系统输出为控制模式、限速值以及安全距离；其中，控制模式分为三种，全线封闭、区域封闭以及匝道控制即根据交通及气象条件来控制驶入高速公路流量；限速以及安全距离等级划分方式与输入参数相同；

第二层为模糊化层，用来表示输入量分别属于{NB,NS,Z,PS,PB}的隶属度为

式中,j为1至m_i的整数，m_i是x_i的模糊分割数，此处m_i＝5；c_ij和σ_ij分别表示隶属度函数的中心和宽度；

第三层是规则前件层，每一个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度a_j，公式为：

或

$a_j={\mathrm{\μ}}_1^j\left(x_1\right){\mathrm{\μ}}_2^j\left(x_2\right)...{\mathrm{\μ}}_n^j\left(x_n\right);$

式中：a_j—模糊规则j的适用度；

—输入x_i隶属于第j个等级的隶属度，j为1至m之间的整数，m为大于等于1的整数；

第四层实现归一化计算，公式为：

其中，j为1至m之间的整数，m为大于等于1的整数；

第五层输出层，公式为

$y=\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{w}_r\stackrel{\‾}{a_r},r=\mathrm{1,2},...,m$

其中，w_r为连接权重，r为1至m之间的整数，m为大于等于1的整数。

所述步骤3中基于模糊神经网络的微气象交通控制器的训练，具体内容如下：

（1）训练样本的选取

训练样本考虑由三部分组成：第一部分，气象部分、高速公路交通管理部门的历史数据，包括历史气象参数信息、交通流参数信息、当时采取的预警信息及其发布后的效果；第二部分，交通工程领域专家问卷，通过设置不同气象以及交通流情景，询问专家可能采用的预警措施；第三部分，该系统建成后，将不同气象、交通流状况下的交通预警方案实施效果添加入历史数据库；

（2）训练算法

网络需要学习的参数是步骤2中第二层隶属度函数的中心值c_ij和宽度σ_ij以及第五层网络连接权重w_r，该网络的学习算法选择反向传播BP算法；BP算法由正向传播和误差反向传播两个过程组成；在正向传播过程中，输入信息从输入层经隐层单元逐层处理，通过所有的隐层之后，传向输出层；在隐含层逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响；在输出层将实际输出和期望输出进行比较，如果实际输出与期望输出的差值不再可接受范围之内，则转入反向传播过程，将实际值与期望输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减少，然后再转入正向传播过程，如此反复计算，直至误差小于设定值为止；

所述网络的学习算法选择反向传播BP算法，步骤如下：

①设x_k为输入向量，x_k＝(x₁,x₂,...,x_n)，k为1至K之间的整数，式中：K为样本个数，n代表特征参数的个数；对应交通模式的输出向量为y_k，初始化网络权值、阈值；

②第二层各单元的输入为

$S_{\mathrm{ij}}^{\left(2\right)}=x_i,$

式中，x_i表示系统输入，即交通流参数以及气象参数值，i为1至n之间的整数，n代表特征参数的个数；j为1至m_i之间的整数，m_i代表第i个特征参数的模糊分割数；

第一层与第二层之间的传递函数，即为隶属度函数：

${\mathrm{\μ}}_i^j\left(x_i\right)=\exp [{(x_i-c_{\mathrm{ij}})}^2/{\mathrm{\σ}}_{\mathrm{ij}}^2]$

则第二层单元的输出为：

$y^{\left(2\right)}=\left\{{\mathrm{\μ}}_i^j\left(x_i\right)\right\}$

③第三层各单元的输入即为第二层相对应各单元的输出，为

$S_r^{\left(3\right)}=\left\{{\mathrm{\μ}}_i^r\left(x_i\right)\right\}$

输出层的输出为

$y_r^{\left(3\right)}=\min \left\{{\mathrm{\μ}}_i^l\left(x_i\right)\right\}$

式中，l为1至m之间的整数，m表示模糊规则数；

④第四层各单元的输入即为第三层相应各单元的输出，为

$S_r^{\left(4\right)}=\left\{y_r^{\left(3\right)}\right\}$

输出层的输出为

$y_r^{\left(4\right)}=\frac{y_r^{\left(3\right)}}{\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{y}_r^{\left(3\right)}}$

⑤第五层各单元的输入即为第四层相应各单元的输出，为

$S_r^{\left(5\right)}=\left\{y_r^{\left(4\right)}\right\}$

输出层输出为

$y=w_r{y}_r^{\left(4\right)}$

至此完成一个前传过程；

⑥在误差反向传播过程中，首先要进行误差计算，

对于模糊神经网络来说，假设第t个样本对的误差函数E_t定义为：

$E_t=\frac{1}{2}{(y_0\left(t\right)-y\left(t\right))}^2$

式中：y₀(t)是系统期望输出值，y(t)是系统实际输出值，t为大于等于1的整数，表示样本的标号。

反向传播BP思想被用来监督学习，通过调整网络的各权重值，使误差函数值最小，从而达到修正隶属度函数参数以及网络连接权的目的；

⑦随机选取下一个样本对提供给网络，重复计算过程，直至网络全局误差函数小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛；其中，K为学习样本数；

⑧结束学习。

本发明中的Takagi-Sugeno（高木-关野）推理的模糊神经网络是公知技术，在此不再赘述。

本发明的有益效果是，高速公路微气象交通控制方法是根据高速公路实时气象以及交通流的情况，自适应调整交通控制方案，提高了恶劣天气下高速公路的行车安全性和通行效率。与其他恶劣天气下的交通预警方法相比具有以下不同之处：

1、控制规则不需要事先给出，采用了历史数据以及专家经验对模型进行训练，提高了控制方案的准确性以及摒弃了交通管理者进行交通管理的主观性；

2、针对实时采集的信息进行交通控制方案的生成，并在其上游利用可变信息板实施信息发布，提高了恶劣天气交通预警的效率。

附图说明

图1微气象检测交通预警系统示意图；

图2是交通流与微气象检测点布置方案示意图；

具体实施方式

下面结合附图和实例对本发明进一步说明。

基于模糊神经网络的微气象交通预警系统的结构图如图1所示。该系统由三个子系统组成：子系统一，交通与微气象数据采集系统；子系统二，模糊神经网络控制器；子系统三，交通预警信息发布系统。这三个子系统的关系如下：子系统一采集的交通与微气象信息作为输入值，输入到子系统二模糊神经网络控制器，经过该控制器的计算输出交通预警方案，交通预警方案输入子系统三，作为预警信息发布到可变信息板。

步骤1：交通流与微气象检测点布设

交通流与微气象检测点布置方案如图2所示。图1中模块1表示交通流与微气象监测模块，其按照一定间隔布设在路侧。交通流监测点铺设地磁感应线圈，以检测该断面交通流车速、流量以及占有率等数据；微气象检测点布设能见度检测器、温度检测器、地面温度检测器、湿度检测器、雨量检测器、冰冻检测器、气压检测器、沙尘检测器、冰雹检测器、积雪检测器以及沙尘检测器等传感器，以检测该区域气象信息。交通流与微气象数据采集将为下一步模糊神经网络控制做准备。

步骤2：模糊神经网络交通控制器的设计

所述的模糊神经网络交通控制器实现恶劣天气下交通预警信息发布，是将一些历史数据、先验知识或者交通工程领域专家经验包含在模糊规则中，便于得到合理的与气象和交通流信息相适应的交通预警信息。模糊神经网络交通控制器分为五层结构：

第一层为输入层，输入值为高速公路交通流与微气象检测点采集的参数数据，表示为x＝{x₁,x₂,x₃,...,x_n}，其中，n表示输入参数的个数，而x₁,x₂,...x_n分别表示交通流参数（速度、流量、占有率）以及微气象参数（能见度、温度、湿度、气压、风向、风速、地面温度等）。

将输入参数按照从小到大的顺序划分为5个等级，分别为{NB负大，NS负小，Z零，PS正小，PB正大}，其意义为相应的参数指标值为小、较小、中等、大、较大。系统的输出为控制模式、限速值以及安全距离。其中，控制模式分为三种，全线封闭、区域封闭以及匝道控制（根据交通及气象条件来控制驶入高速公路流量）；限速以及安全距离等级划分方式与输入参数相同。

网络第二层为模糊化层，用来表示输入量分别属于{NB,NS,Z,PS,PB}的隶属度为

式中j＝1,2,...,m_i,m_i是x_i的模糊分割数，此处m_i＝5。c_ij和σ_ij分别表示隶属度函数的中心和宽度；

第三层是规则前件层，每一个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度，公式为：

或

$a_j={\mathrm{\μ}}_1^j\left(x_1\right){\mathrm{\μ}}_2^j\left(x_2\right)...{\mathrm{\μ}}_n^j\left(x_n\right);$

式中：a_j—模糊规则j的适用度；

—输入x_i隶属于第j个等级的隶属度，j为1至m之间的整数，m为大于等于1的整数；

第四层实现归一化计算，公式为：

$\stackrel{\‾}{{\mathrm{\α}}_j}=\frac{{\mathrm{\α}}_j}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i},j=\mathrm{1,2},...,m$

第五层输出层，公式为

$y=\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{w}_r\stackrel{\‾}{a_r},r=\mathrm{1,2},...,m$

其中，w_r为连接权重，

步骤3：基于模糊神经网络的微气象交通控制器的训练

（3）训练样本的选取

训练样本考虑由三部分组成：第一部分，气象部分、高速公路交通管理部门的历史数据，包括历史气象参数信息、交通流参数信息、当时采取的预警信息及其发布后的效果；第二部分，交通工程领域专家问卷，通过设置不同气象以及交通流情景，询问专家可能采用的预警措施；第三部分，该系统建成后，将不同气象、交通流状况下的交通预警方案实施效果添加入历史数据库。

（4）训练算法

网络需要学习的参数主要是第二层隶属度函数的中心值c_ij和宽度σ_ij以及第五层网络连接权w_r。该网络的学习算法选择反向传播BP（Back Propagation）算法。BP算法由正向传播和误差反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐层单元逐层处理，通过所有的隐层之后，传向输出层。在隐含层逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层将实际输出和期望输出进行比较，如果实际输出与期望输出的差值不再可接受范围之内，则转入反向传播过程，将实际值与期望输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减少，然后再转入正向传播过程，如此反复计算，直至误差小于设定值为止。

BP神经网络训练的具体算法步骤如下：

①设x_k为输入向量，x_k＝(x₁,x₂,...,x_n)，k＝1,2,...K，式中：K为样本个数，n代表特征参数的个数；对应交通模式的输出向量为y_k。初始化网络权值、阈值及有关参数。

②第二层各单元的输入为

$S_{\mathrm{ij}}^{\left(2\right)}=x_i,i=\mathrm{1,2},...,n;j=\mathrm{1,2},...m_i$

式中，m_i代表第i个特征参数的模糊分割数。

第一层与第二层之间的传递函数，即为隶属度函数：

${\mathrm{\μ}}_i^j\left(x_i\right)=\exp [{(x_i-c_{\mathrm{ij}})}^2/{\mathrm{\σ}}_{\mathrm{ij}}^2]$

则第二层单元的输出为：

$y^{\left(2\right)}=\left\{{\mathrm{\μ}}_i^j\left(x_i\right)\right\}$

③第三层各单元的输入即为第二层相对应各单元的输出，为

$S_r^{\left(3\right)}=\left\{{\mathrm{\μ}}_i^r\left(x_i\right)\right\}$

输出层的输出为

$y_r^{\left(3\right)}=\min \left\{{\mathrm{\μ}}_i^l\left(x_i\right)\right\}$

式中，l=1，2，...，m。m表示模糊规则数。

④第四层各单元的输入即为第三层相应各单元的输出，为

$S_r^{\left(4\right)}=\left\{y_r^{\left(3\right)}\right\}$

输出层的输出为

$y_r^{\left(4\right)}=\frac{y_r^{\left(3\right)}}{\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{y}_r^{\left(3\right)}}$

⑤第五层各单元的输入即为第四层相应各单元的输出，为

$S_r^{\left(5\right)}=\left\{y_r^{\left(4\right)}\right\}$

输出层输出为

$y=w_r{y}_r^{\left(4\right)}$

至此完成一个前传过程。

⑥在误差反向传播过程中，首先要进行误差计算。

对于模糊神经网络来说，假设第t个样本对的误差函数定义为：

$E_t=\frac{1}{2}{(y_0\left(t\right)-y\left(t\right))}^2$

式中：y₀(t)是系统期望输出值，y(t)是系统实际输出值，反向传播BP思想被用来监督学习，通过调整网络的各权重值，使误差函数值最小，从而达到修正隶属度函数参数以及网络连接权的目的。

⑦随机选取下一个样本对提供给网络，重复计算过程，直至网络全局误差函数

（其中，K为学习样本数）小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛。

⑧结束学习。

步骤4:利用最优的模糊神经网络交通控制器生成交通预警信息

将实时采集的气象参数以及交通流参数输入训练好的模糊神经网络控制器，生成实时的交通预警信息，包括高速公路控制方式（全线关闭、区域关闭、匝道控制等）、限速值以及安全行车间距。

步骤5：预警信息发布

利用无线通信技术，将交通预警信息发送至路侧的可变信息板（如图1所示的模块2），可变信息板所发布的信息应为其下游控制器所获得的交通预警信息。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.一种基于模糊神经网络的高速公路微气象交通预警方法，其特征是，包括以下步骤：交通流与微气象检测点的布设；定义模糊神经网络交通控制器；模糊神经网络交通控制器的训练；利用最优的模糊神经网络交通控制器生成交通安全行车参数；交通控制信息发布，具体操作步骤如下：

步骤1：在高速公路路侧每间隔距离设置若干交通流与微气象监测点，检测该路段交通流情况以及微气象参数数据，通过多传感器数据融合技术，得到路段交通流以及气象信息，交通流与微气象数据采集为下一步模糊神经网络控制做准备；

步骤2：采用基于Takagi-Sugeno推理的模糊神经网络构建高速公路微气象交通控制器，定义步骤1采集得到的交通流信息和气象信息为状态变量，作为所述控制器的输入值，定义高速公路控制方式、限速值以及安全间距值为控制变量，作为所述控制器的输出值；

步骤3：采用气象部门以及交通管理部门的气象、交通流、控制措施及其实施效果历史数据库，结合专家经验构建模糊神经网络交通控制器的训练样本，对高速公路微气象交通控制器进行训练，将训练误差减小到预定阈值或达到训练次数，以得到最优控制器；

步骤4：将实时采集的交通流信息以及微气象信息输入最优的模糊神经网络交通控制器，生成针对该时刻交通流状况以及气象信息的高速公路交通控制方案，包括预警措施、限速值以及安全间距值；

步骤5：在每个交通与微气象监测点上游布设可变信息板，对交通控制器输出的安全行车预警信息进行发布。

2.如权利要求1所述的基于模糊神经网络的高速公路微气象交通预警方法，其特征是，所述步骤2中模糊神经网络构建高速公路微气象交通控制器分为五层结构：

第一层为输入层，输入值为高速公路交通流与微气象检测点采集的参数数据，表示为x＝{x₁,x₂,x₃,...,x_n}，其中，n表示输入参数的个数，n为大于等于1的整数，而x₁,x₂,...x_n分别表示交通流参数即速度、流量、占有率以及微气象参数即能见度、温度、湿度、气压、风向、风速、地面温度；

将输入参数按照从小到大的顺序划分为5个等级，分别为{NB负大，NS负小，Z零，PS正小，PB正大}，其意义为相应的参数指标值为小、较小、中等、大、较大；所诉控制器的系统输出为控制模式、限速值以及安全距离；其中，控制模式分为三种，全线封闭、区域封闭以及匝道控制即根据交通及气象条件来控制驶入高速公路流量；限速以及安全距离等级划分方式与输入参数相同；

第二层为模糊化层，用来表示输入量分别属于{NB,NS,Z,PS,PB}的隶属度为

式中,j为1至m_i的整数，m_i是x_i的模糊分割数，此处m_i＝5；c_ij和σ_ij分别表示隶属度函数的中心和宽度；

第三层是规则前件层，每一个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度a_j，公式为：

或

$a_j={\mathrm{\μ}}_1^j\left(x_1\right){\mathrm{\μ}}_2^j\left(x_2\right)...{\mathrm{\μ}}_n^j\left(x_n\right);$

式中：a_j—模糊规则j的适用度；

—输入x_i隶属于第j个等级的隶属度；j为1至m之间的整数，m为大于等于1的整数；

第四层实现归一化计算，公式为：

其中，j为1至m之间的整数，m为大于等于1的整数；

第五层输出层，公式为

$y=\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{w}_r\stackrel{\‾}{a_r},r=\mathrm{1,2},...,m$

其中，w_r为连接权重，r为1至m之间的整数，m为大于等于1的整数。

3.如权利要求2所述的基于模糊神经网络的高速公路微气象交通预警方法，其特征是，所述步骤3中基于模糊神经网络的微气象交通控制器的训练，具体内容如下：

训练样本的选取

训练样本考虑由三部分组成：第一部分，气象部分、高速公路交通管理部门的历史数据，包括历史气象参数信息、交通流参数信息、当时采取的预警信息及其发布后的效果；第二部分，交通工程领域专家问卷，通过设置不同气象以及交通流情景，询问专家可能采用的预警措施；第三部分，该系统建成后，将不同气象、交通流状况下的交通预警方案实施效果添加入历史数据库；

训练算法

网络需要学习的参数是步骤2中第二层隶属度函数的中心值c_ij和宽度σ_ij以及第五层网络连接权重w_r，该网络的学习算法选择反向传播BP算法；BP算法由正向传播和误差反向传播两个过程组成；在正向传播过程中，输入信息从输入层经隐层单元逐层处理，通过所有的隐层之后，传向输出层；在隐含层逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响；在输出层将实际输出和期望输出进行比较，如果实际输出与期望输出的差值不再可接受范围之内，则转入反向传播过程，将实际值与期望输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权重使误差减少，然后再转入正向传播过程，如此反复计算，直至误差小于设定值为止。

4.如权利要求3所述的基于模糊神经网络的高速公路微气象交通预警方法，其特征是，所述网络的学习算法选择反向传播BP算法，步骤如下：

①设x_k为输入向量，x_k＝(x₁,x₂,...,x_n)，k为1至K之间的整数，式中：K为样本个数，n代表特征参数的个数；对应交通模式的输出向量为y_k，初始化网络权值、阈值；

②第二层各单元的输入为

$S_{\mathrm{ij}}^{\left(2\right)}=x_i,$

式中，x_i表示系统输入，即交通流参数以及气象参数值；i为1至n之间的整数，n代表特征参数的个数；j为1至m_i之间的整数，m_i代表第i个特征参数的模糊分割数；

第一层与第二层之间的传递函数，即为隶属度函数：

${\mathrm{\μ}}_i^j\left(x_i\right)=\exp [{(x_i-c_{\mathrm{ij}})}^2/{\mathrm{\σ}}_{\mathrm{ij}}^2]$

则第二层单元的输出为：

$y^{\left(2\right)}=\left\{{\mathrm{\μ}}_i^j\left(x_i\right)\right\}$

③第三层各单元的输入即为第二层相对应各单元的输出，为

$S_r^{\left(3\right)}=\left\{{\mathrm{\μ}}_i^r\left(x_i\right)\right\}$

输出层的输出为

$y_r^{\left(3\right)}=\min \left\{{\mathrm{\μ}}_i^l\left(x_i\right)\right\}$

式中，l为1至m之间的整数，m表示模糊规则数；

④第四层各单元的输入即为第三层相应各单元的输出，为

$S_r^{\left(4\right)}=\left\{y_r^{\left(3\right)}\right\}$

输出层的输出为

$y_r^{\left(4\right)}=\frac{y_r^{\left(3\right)}}{\underset{r=1}{\overset{m}{\mathrm{\Σ}}}{y}_r^{\left(3\right)}}$

⑤第五层各单元的输入即为第四层相应各单元的输出，为

$S_r^{\left(5\right)}=\left\{y_r^{\left(4\right)}\right\}$

输出层输出为

$y=w_r{y}_r^{\left(4\right)}$

至此完成一个前传过程；

⑥在误差反向传播过程中，首先要进行误差计算，

对于模糊神经网络来说，假设第t个样本对的误差函数E_t定义为：

$E_t=\frac{1}{2}{(y_0\left(t\right)-y\left(t\right))}^2$

式中：y₀(t)是系统期望输出值，y(t)是系统实际输出值，t为大于等于1的整数，表示样本的标号；

反向传播BP思想被用来监督学习，通过调整网络的各权重值，使误差函数值最小，从而达到修正隶属度函数参数以及网络连接权的目的；

⑦随机选取下一个样本对提供给网络，重复计算过程，直至网络全局误差函数小于预先设定的一个极小值，即网络收敛；或学习次数小于预先设定的值，即网络无法收敛；其中，K为学习样本数；

⑧结束学习。

Images