研究与探讨
传源卤环境 CN35-1272/TK
基于人工神经网络的交通污染可视化技术研究
白建军！朱国成2
（1西安长庆科技工程有限责任公司
陕西西安
710018
：重庆400067）
2重庆工商大学现代教育信息中心
摘要为了解决交通污染预防问题，以重庆市渝中区中山路为研究对象，实地监测样本数据，建立样本数据库。未用人工神经网络算法，利用MATLAB7.5神经网络工具箱，借助样本数据库训练交通污染物控制神经网络模型结构。利用Visure Foxpro9.0完成训练好的人工神经网络仿真系统开发。为实现神经网络仿真交通污象物可视化，实地进行地理数据采集，建立空间数据库，构造CIS系统。系统开发结果表明，将人工神经网络仿真技术与GIS技术站合应用的交通污录控制可视化技术，可以自动有效地呈现交通污染物浓度分市。
关键词人工神经网络
交通可视化
GISMAtlab
中图分类号：TP183
文献标识码：A
人工神经网络(ANN)是模拟人脑工作方式而设计的学习系统，由大量并行分布的单个处理单元构成的非线性动力学系统"，为研究非线性系统提供了一种强有力的工具。它可用来处理信息十分复杂，各因子相联规则不明确、背景知识不清整等非线性问题)为解决街道峡容气体运动复杂，气体浓度影响因素多、因素相互作用关系不清晰建立数学模型困难费出了一种可能的解决方法。
地理信息系统(CIS)是具有空间定位、查询、空间分析等功能，融计算机图形学、数据库为一体，存储和处理与地理分布有关的图形和属性数据的技术。它能够将城市地理、资源、环境、人口、经济、社会等复杂的系统数字化，是当前数字化建设的重要技术。
本文利用人工神经网络模型与GIS技术结合应用完成
了交通污染控制可视化技术的系统开发。神经网络算法
目前广泛应用于时间序列模拟和预测的主要是BP(BackPropagation)人工神经网络模型(45)。本文建立神经网络由输人层、输出层和隐含层的人工神经网络拓扑结构。输出层为交通机动车排放的污染物浓度，含量不限。输人层为影响交通污染的气象、地理因素固子。隐含层节点数为4。
令输出层的权矩阵为W，，表示隐含层中第：个神经元与输出层中第j个神经元之间的权值，=1,2，，hj=1,2，，m。输人(隐含)层的权矩阵为V,，表示输人层中的第个神经元与隐含层中第个神经元之间的权值，i=1,2，，n， j1,2,.**,h。
(X,Y)为样本集中的一个样本,其中X=(x,,",x)， Y=(y,y2,",y=)。激励函数为：
f(a I+e
设隐含层的输出为：0=(0,02，，0")，神经网络输出值为：0=(0,02,*,0)。
文章编号：1672-9064(2011)03-0017-03
w0"）j=1,2,m
其中：0()2
(p)lo
网络性能分析参数为：
1j=1,2,,(y-0）)
2
采用梯度方向下降法，输出层权值，的调整量Ax，为：
As,=ob,p'=q* (y,-0,)·(1o)*0)*0*
其中α为学习效率。隐含层连接权，的调整量，为：
Ar,=a Z (&*w)- (1o' )·0'**, 令(8+)(10/)-g/=8) 则
e,a-8',-x
样本数据库 2
神经网络算法以数据库为基础(61，影响交通机动车污染案排放的因子很多，因此需要为神经网络输人层收集各种因子进行训练。本文收集的数据包括，排故因子、地理位置、气象条件，交通状况等表基础数据表。
排放因子表如表1所示。保存了轿车、出租车、公交车、摩托车、货车等5种车型当前的排放因子，用于计算源强。
表1排故因子表
学段名称 Type Faclor
数据类型 Character Numerice
字段宽度 6 4,2位小数
说明车型排敏因子
地理位置表如表2所示。保存了评价点对应的基础信息，如经度、纬度、街道宽度、高度、方位角、地址等
气象条件表如表3所示。保存了当天气象条件，如温度，气压、风向、湿度、恢谷项部风速、峡谷底部风速等。
作者简介白建军(1979-)，男，宁夏银川，硕士研究生，从事环境科学技术研究及设计工作。
2011.NO.3.