摘要: 目前公路護(hù)欄缺少系統(tǒng)的高效設(shè)計(jì)方法, 其主要問題在于缺少一個(gè)具有明顯優(yōu)勢(shì)的高精度預(yù)測(cè)模型。 公路安全護(hù)欄的結(jié)構(gòu)尺寸參數(shù)與其防護(hù)指標(biāo)之間具有高度的非線性關(guān)系, 而人工智能模型被廣泛應(yīng)用于在非 線性問題的處理上。本文中將使用現(xiàn)有研究中的數(shù)據(jù)集來對(duì) 5 種常用的單個(gè)模型進(jìn)行訓(xùn)練, 并將其中具有較 高性能的模型用于集成模型的構(gòu)建。結(jié)果顯示, RBFNN+BPNN+Genlin 模型較單個(gè)模型和參考文獻(xiàn)中所用模 型具有更高的準(zhǔn)確性, 各項(xiàng)模型評(píng)價(jià)指標(biāo)值優(yōu)化了 24%～58.9%。本研究驗(yàn)證了集成模型在護(hù)欄性能預(yù)測(cè)方面 具有更好的性能, 且為護(hù)欄優(yōu)化設(shè)計(jì)提供了一種更具優(yōu)勢(shì)的預(yù)測(cè)模型。

　　關(guān)鍵詞: 公路護(hù)欄; 性能指標(biāo)預(yù)測(cè); 人工智能模型; 集成式人工智能模型

　　公路安全護(hù)欄作為一種常用的交通基礎(chǔ)設(shè)施, 能夠通過自身結(jié)構(gòu)的變形對(duì)事故車輛起一定的緩沖 能力, 確保碰撞最大加速度在安全范圍內(nèi)并且能夠?qū)崿F(xiàn)對(duì)車輛的重新導(dǎo)向，同時(shí)防止車輛碰撞到道路旁 的固定物, 如樹、電線桿等。而隨著當(dāng)今道路交通的不斷發(fā)展, 也要求護(hù)欄具有更高的防護(hù)能力, 因此對(duì)于護(hù)欄進(jìn)行優(yōu)化設(shè)計(jì)具有重要的意義[1]。

　　以波形梁護(hù)欄為例, 護(hù)欄設(shè)計(jì)中主要需要考慮受到?jīng)_擊后波 形板、防阻塊和立柱的自身形變等, 因?yàn)樽o(hù)欄各部件結(jié)構(gòu)尺寸將直接影響護(hù)欄的防護(hù)能力。而在以往的 護(hù)欄優(yōu)化設(shè)計(jì)中大部分是基于設(shè)計(jì)經(jīng)驗(yàn)和真實(shí)的汽車護(hù)欄碰撞數(shù)據(jù)進(jìn)行結(jié)構(gòu)優(yōu)化[2], 少有系統(tǒng)化的優(yōu) 化設(shè)計(jì)方式, 其主要原因在于護(hù)欄部件的幾何尺寸與各評(píng)價(jià)指標(biāo)之間的高度非線性關(guān)系。目前有限元仿 真在護(hù)欄相關(guān)研究中被廣泛應(yīng)用, 能極大地減少護(hù)欄設(shè)計(jì)的成本與時(shí)間, 趙建等[3]利用有限元仿真與正 交設(shè)計(jì)結(jié)合得到基本樣本, 再將尺寸因素與性能指標(biāo)結(jié)合進(jìn)行極差、方差和貢獻(xiàn)率等參數(shù)分析, 得到較 優(yōu)參數(shù)組合以實(shí)現(xiàn)護(hù)欄優(yōu)化設(shè)計(jì)的目的。

　　隨著機(jī)器學(xué)習(xí)在各個(gè)領(lǐng)域的廣泛應(yīng)用, 同樣有研究者將代理模 型與優(yōu)化算法相結(jié)合進(jìn)行護(hù)欄設(shè)計(jì), Yin 等[4]使用徑向基函數(shù)(RBF)與多目標(biāo)遺傳算法(NSGA–II)對(duì)護(hù)欄 防阻塊厚度和 η 型護(hù)欄的柱弓長度尺寸進(jìn)行優(yōu)化, Hou 等[5]利用代理模型與多島遺傳算法(MIGA)對(duì)立 柱間距和波形梁板厚度進(jìn)行了尺寸優(yōu)化以提高護(hù)欄防護(hù)性能, 上述研究中的一個(gè)關(guān)鍵點(diǎn)在于預(yù)測(cè)模型 的準(zhǔn)確性將直接影響護(hù)欄設(shè)計(jì)的復(fù)雜性和準(zhǔn)確度, 但目前對(duì)于護(hù)欄性能預(yù)測(cè)沒有具有明顯優(yōu)勢(shì)的預(yù)測(cè) 模型, 而人工智能模型有著強(qiáng)大的解決非線性問題的能力, 但大多數(shù)的研究中均是對(duì)單一模型進(jìn)行少 量優(yōu)化來增強(qiáng)模型性能以提高預(yù)測(cè)效果, 而 Chou 等[6]對(duì)比不同人工智能模型在高性能混凝土抗壓強(qiáng)度 預(yù)測(cè)上的應(yīng)用結(jié)果, 發(fā)現(xiàn)復(fù)合模型預(yù)測(cè)精度和穩(wěn)定性高于單一模型。因此本文提出一種用于護(hù)欄防護(hù)性 能指標(biāo)預(yù)測(cè)的高性能集成式的強(qiáng)化人工智能模型, 使其能對(duì)護(hù)欄設(shè)計(jì)起指導(dǎo)作用。

　　1 模型搭建方法 本文中使用 IBM SPSS modeler 進(jìn)行模型的訓(xùn)練和集成, 各個(gè)模型基本參數(shù)選用默認(rèn)值, 并結(jié)合十 折交叉驗(yàn)證方法來提高模型的可靠性, 選用的單個(gè)初始模型分別為支持向量機(jī)(SVM)、廣義線性回歸 (Genlin)、徑向基人工神經(jīng)網(wǎng)絡(luò)(RBFNN)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和分類與回歸樹(CART)模型。對(duì) 各訓(xùn)練完成后的模型使用預(yù)留數(shù)據(jù)樣本進(jìn)行預(yù)測(cè)效果對(duì)比, 選用其中較優(yōu)的模型用于后續(xù)的集成模型 構(gòu)建。

　　1.1集成模型的搭建

　　使用 IBM SPSS modeler 對(duì)上述單個(gè)模型進(jìn)行建模后, 對(duì)數(shù)據(jù)集進(jìn)行處理, 除一部分樣本作為后續(xù) 的檢驗(yàn)樣本外, 其余樣本根據(jù)十折交叉驗(yàn)證方法, 隨機(jī)分為10組, 在每次訓(xùn)練中將其中9組作為訓(xùn)練集, 余下一組作為測(cè)試集, 共經(jīng)過 10 輪次訓(xùn)練, 且每次模型訓(xùn)練過程中的訓(xùn)練集和測(cè)試集都與其他輪次中 不同, 將其中預(yù)測(cè)效果最佳的一次模型作為最后訓(xùn)練所得模型, 用于后續(xù)的模型對(duì)比和集成模型搭建。

　　2 數(shù)據(jù)準(zhǔn)備及模型評(píng)價(jià)指標(biāo)

　　2.1 數(shù)據(jù)來源

　　現(xiàn)有法規(guī)中對(duì)于護(hù)欄的評(píng)價(jià)指標(biāo)有多個(gè)方面[11], 加速度值是其中 十分重要的性能指標(biāo), 為了更好的進(jìn)行對(duì)比, 數(shù)據(jù)集中的護(hù)欄評(píng)價(jià)指 標(biāo)均為加速度。為了保證本文中的模型對(duì)比具有可靠性, 本文采用的數(shù) 據(jù)均來自現(xiàn)已發(fā)表的文獻(xiàn), 且這些文章中所用模型的有效性均在原文 中得到驗(yàn)證。

　　3 模型對(duì)比分析

　　在本節(jié)中, 將對(duì)上述選用的5種單個(gè)模型的預(yù)測(cè)結(jié)果進(jìn)行比較, 后續(xù)再將該結(jié)論與集成模型的預(yù)測(cè) 效果進(jìn)行比較。

　　3.1 試驗(yàn)結(jié)果

　　根據(jù)模型預(yù)測(cè)評(píng)價(jià)指標(biāo)(18)–(21)對(duì)各單個(gè)人工智能模型的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比。

　　對(duì)于數(shù)據(jù)集 1, BPNN 模型、RBFNN 模型和 Genlin 模型的 CS值分別為 0、0.399 和 0.553, 優(yōu)于 其他 2 種模型, 因此將使用這 3 種模型用于后續(xù)的集成模型搭建。

　　數(shù)據(jù)集 1 對(duì)應(yīng)的 4 種集 成模型中性能最優(yōu)的為RBFNN+BPNN+Genlin模型, 其 MARE 和 RMSE 值也優(yōu)于對(duì)應(yīng)的3種單個(gè)模型, 具有更好的預(yù)測(cè)性能。而對(duì)于數(shù)據(jù)集 2 而言, Genlin、BPNN 和 RBFNN 模型的綜合性能較優(yōu), CS值分 別為0.011、0.023和0.490, 相應(yīng)的可以得到表2中的各數(shù)據(jù), 其中RBFNN+BPNN+Genlin模型的 MARE 值和 RAAE 值優(yōu)于其他集成模型和其對(duì)應(yīng)的 3 種單個(gè)模型。

　　3.2 模型比較 近年來, 許多學(xué)者也開始使用機(jī)器學(xué)習(xí)來協(xié)助護(hù)欄設(shè)計(jì), 而提高模型預(yù)測(cè)精度則是能夠有效提高 開發(fā)效率的重點(diǎn), 將其與對(duì)應(yīng)數(shù)據(jù)來源文章中所提出的預(yù)測(cè)模型 進(jìn)行比較。各數(shù)據(jù)集中研究者使用的最終模型的性能指標(biāo)值。 數(shù)據(jù)集 1 對(duì)應(yīng)的研究者使用 RBF 模型進(jìn)行護(hù)欄性能預(yù)測(cè), 并使用 MARE 和 RMSE 作為性能指標(biāo), 其結(jié)果分別為 8.790 和 4.754, 數(shù) 據(jù)集 2 對(duì)應(yīng)的各項(xiàng)數(shù)據(jù)為研究者使用 RBF–MQ 模型得到, 并以 MARE 和 RAAE 作為評(píng)判指標(biāo)。

　　4 結(jié)論

　　本文針對(duì)目前缺少一個(gè)具有明顯優(yōu)勢(shì)的高精度和高泛用性的預(yù)測(cè)模型來形成系統(tǒng)的高效護(hù)欄設(shè)計(jì) 方法這一問題, 引入集成式人工智能模型來進(jìn)行護(hù)欄性能的預(yù)測(cè), 高性能預(yù)測(cè)模型配合優(yōu)化算法能夠 極大地減少護(hù)欄設(shè)計(jì)成本并系統(tǒng)化設(shè)計(jì)方式, 具有很強(qiáng)的工程意義。在本文中主要對(duì)集成模型性能方面 進(jìn)行了探究。

　　文中對(duì)單個(gè)模型訓(xùn)練時(shí)使用了十折交叉驗(yàn)證方法, 提高了模型的泛化能力, 并通過綜合滿意度對(duì) 單個(gè)模型性能進(jìn)行了判斷, 挑選出較優(yōu)單個(gè)模型并使用集成函數(shù)得到集成模型。

　　通過使用現(xiàn)有研究中的 數(shù)據(jù)集對(duì)集成模型在護(hù)欄性能預(yù)測(cè)方面的有效性進(jìn)行了驗(yàn)證, 再通過對(duì)比單個(gè)模型、現(xiàn)有研究中的模型 和集成模型, 發(fā)現(xiàn)集成模型具有明顯優(yōu)勢(shì), RBFNN+BPNN+Genlin 模型各項(xiàng)指標(biāo)值較現(xiàn)有研究中所使用 模型提升 24%–58.9%, 具有更強(qiáng)的魯棒性和更高的預(yù)測(cè)精度。 參考文獻(xiàn):

　　[1] 雷正保. 大力開展半剛性護(hù)欄防撞新機(jī)理的研究[J]. 振動(dòng)與沖擊, 2002(1): 3–8, 101.

　　[2] 楊立偉, 朱艷艷, 朱玉, 等. 新型波形梁護(hù)欄的開發(fā)及應(yīng)用研究[J]. 公路, 2018, 63(11): 215–219.

　　[3] 趙建, 雷正保, 王素娟. 高速公路跨線橋 SS 級(jí)防撞護(hù)欄優(yōu)化設(shè)計(jì)[J]. 公路交通科技, 2011, 28(9): 142–146, 158.

　　[4] Yin H, Xiao Y, Wen G, et al. Design optimization of a new W–beam guardrail for enhanced highway safety performance [J]. Advances in Engineering Software, 2017: S0965997817302144.

　　[5] Hou S, Tan W, Zheng Y, et al. Optimization design of corrugated beam guardrail based on RBF–MQ surrogate model and collision safety consideration [J]. Advances in Engineering Software, 2014, 78(12): 28–40.

　　[6] Chou J S, Pham A D. Enhanced artificial intelligence for ensemble approach to predicting high performance concrete compressive strength [J]. Construction & Building Materials, 2013, 49(12): 554–563.

　　[7] Faris H, Hassonah M A, Al–Zoubi A M, et al. A multi–verse optimizer approach for feature selection and optimizing SVM parameters based on a robust system architecture [J]. Neural Computing & Applications, 2018, 30(8): 1–15.

　　作者：涂曉威, 雷正保