基于RT-WAR算法的神經網絡在隧道監(jiān)控中的研究.pdf

1、隨著城市化進程的加快，公路隧道在城市交通中的地位越來越重要。由于隧道修建于地下，所以隧道內的環(huán)境較為惡劣，對于隧道的管理也較正常路面復雜。因此，對隧道進行研究，并給出高效、合理的管理方法非常的有必要。
　　隧道在實際運行過程中會產生大量的監(jiān)控數據，而對這些監(jiān)控數據的挖掘對隧道監(jiān)控策略的制定有著巨大的價值。本文將結合數據挖掘方法和智能方法對隧道監(jiān)控系統(tǒng)的管理給出一套具體的模型。最后對CO濃度超標時間和交通堵車狀況進行預測，目的是讓工

2、作人員及時合理的給出相應的解決方法，這對于減少交通傷害將會起到重要的作用。
　　關聯(lián)規(guī)則中非常經典的算法是Apriori算法，該算法可以挖掘出各個項目之間的關聯(lián)性，對隧道智能決策的制定非常有幫助。但是該算法具有反復掃描數據庫和產生大量候選項集的缺點。針對這兩個缺點，本文加入了事務壓縮的方法，對Apriori算法進行改進，減少了掃描數據庫的次數和候選項集的數量，提高了算法的效率。針對隧道數據的特點，本文引入了權重的概念，通過對數據記

3、錄縱向加權，區(qū)分不同時期數據的重要性，增強近期數據對挖掘的重要性，保證數據挖掘的準確性。因此，本文提出了改進的基于事務壓縮的加權關聯(lián)規(guī)則(Reducing TransactionbasedWeightedAssociationRule)RT-WAR算法。最后，通過實驗將該算法與Apriori算法進行了對比，實驗得出RT-WAR算法在效率上有了很大的提高。
　　通過關聯(lián)規(guī)則挖掘出的數據之間的關聯(lián)度，對于預測隧道環(huán)境態(tài)勢和交通態(tài)勢十分

4、有用，本文預測的是CO濃度何時會超過正常標準和隧道堵車狀況，利用神經網絡進行預測。在預測的初期，依據關聯(lián)規(guī)則挖掘的結果確定神經網絡輸入層的節(jié)點以及初始權值。這種方法比盲目的給出輸入層因素和隨機權值，更有利于加快神經網絡的訓練速度，同時提高了預測的準確性。
　　本文建立了一套隧道監(jiān)控系統(tǒng)的預測模型，將實際運營的武漢水果湖隧道的歷史數據作為樣本數據進行實驗，先是將數據進行預處理，然后進行關聯(lián)規(guī)則分析，最后用神經網絡對CO濃度超標時間和