基于护栏性能指标的集成式人工智能模型研究

　　摘要: 目前公路护栏缺少系统的高效设计方法, 其主要问题在于缺少一个具有明显优势的高精度预测模型。 公路安全护栏的结构尺寸参数与其防护指标之间具有高度的非线性关系, 而人工智能模型被广泛应用于在非 线性问题的处理上。本文中将使用现有研究中的数据集来对 5 种常用的单个模型进行训练, 并将其中具有较 高性能的模型用于集成模型的构建。结果显示, RBFNN+BPNN+Genlin 模型较单个模型和参考文献中所用模 型具有更高的准确性, 各项模型评价指标值优化了 24%～58.9%。本研究验证了集成模型在护栏性能预测方面 具有更好的性能, 且为护栏优化设计提供了一种更具优势的预测模型。

　　关键词: 公路护栏; 性能指标预测; 人工智能模型; 集成式人工智能模型

　　公路安全护栏作为一种常用的交通基础设施, 能够通过自身结构的变形对事故车辆起一定的缓冲 能力, 确保碰撞最大加速度在安全范围内并且能够实现对车辆的重新导向，同时防止车辆碰撞到道路旁 的固定物, 如树、电线杆等。而随着当今道路交通的不断发展, 也要求护栏具有更高的防护能力, 因此对于护栏进行优化设计具有重要的意义[1]。

　　以波形梁护栏为例, 护栏设计中主要需要考虑受到冲击后波 形板、防阻块和立柱的自身形变等, 因为护栏各部件结构尺寸将直接影响护栏的防护能力。而在以往的 护栏优化设计中大部分是基于设计经验和真实的汽车护栏碰撞数据进行结构优化[2], 少有系统化的优 化设计方式, 其主要原因在于护栏部件的几何尺寸与各评价指标之间的高度非线性关系。目前有限元仿 真在护栏相关研究中被广泛应用, 能极大地减少护栏设计的成本与时间, 赵建等[3]利用有限元仿真与正 交设计结合得到基本样本, 再将尺寸因素与性能指标结合进行极差、方差和贡献率等参数分析, 得到较 优参数组合以实现护栏优化设计的目的。

　　随着机器学习在各个领域的广泛应用, 同样有研究者将代理模 型与优化算法相结合进行护栏设计, Yin 等[4]使用径向基函数(RBF)与多目标遗传算法(NSGA–II)对护栏 防阻块厚度和 η 型护栏的柱弓长度尺寸进行优化, Hou 等[5]利用代理模型与多岛遗传算法(MIGA)对立 柱间距和波形梁板厚度进行了尺寸优化以提高护栏防护性能, 上述研究中的一个关键点在于预测模型 的准确性将直接影响护栏设计的复杂性和准确度, 但目前对于护栏性能预测没有具有明显优势的预测 模型, 而人工智能模型有着强大的解决非线性问题的能力, 但大多数的研究中均是对单一模型进行少 量优化来增强模型性能以提高预测效果, 而 Chou 等[6]对比不同人工智能模型在高性能混凝土抗压强度 预测上的应用结果, 发现复合模型预测精度和稳定性高于单一模型。因此本文提出一种用于护栏防护性 能指标预测的高性能集成式的强化人工智能模型, 使其能对护栏设计起指导作用。

　　1 模型搭建方法 本文中使用 IBM SPSS modeler 进行模型的训练和集成, 各个模型基本参数选用默认值, 并结合十 折交叉验证方法来提高模型的可靠性, 选用的单个初始模型分别为支持向量机(SVM)、广义线性回归 (Genlin)、径向基人工神经网络(RBFNN)、反向传播神经网络(BPNN)和分类与回归树(CART)模型。对 各训练完成后的模型使用预留数据样本进行预测效果对比, 选用其中较优的模型用于后续的集成模型 构建。

　　1.1集成模型的搭建

　　使用 IBM SPSS modeler 对上述单个模型进行建模后, 对数据集进行处理, 除一部分样本作为后续 的检验样本外, 其余样本根据十折交叉验证方法, 随机分为10组, 在每次训练中将其中9组作为训练集, 余下一组作为测试集, 共经过 10 轮次训练, 且每次模型训练过程中的训练集和测试集都与其他轮次中 不同, 将其中预测效果最佳的一次模型作为最后训练所得模型, 用于后续的模型对比和集成模型搭建。

　　2 数据准备及模型评价指标

　　2.1 数据来源

　　现有法规中对于护栏的评价指标有多个方面[11], 加速度值是其中 十分重要的性能指标, 为了更好的进行对比, 数据集中的护栏评价指 标均为加速度。为了保证本文中的模型对比具有可靠性, 本文采用的数 据均来自现已发表的文献, 且这些文章中所用模型的有效性均在原文 中得到验证。

　　3 模型对比分析

　　在本节中, 将对上述选用的5种单个模型的预测结果进行比较, 后续再将该结论与集成模型的预测 效果进行比较。

　　3.1 试验结果

　　根据模型预测评价指标(18)–(21)对各单个人工智能模型的预测结果进行了对比。

　　对于数据集 1, BPNN 模型、RBFNN 模型和 Genlin 模型的 CS值分别为 0、0.399 和 0.553, 优于 其他 2 种模型, 因此将使用这 3 种模型用于后续的集成模型搭建。

　　数据集 1 对应的 4 种集 成模型中性能最优的为RBFNN+BPNN+Genlin模型, 其 MARE 和 RMSE 值也优于对应的3种单个模型, 具有更好的预测性能。而对于数据集 2 而言, Genlin、BPNN 和 RBFNN 模型的综合性能较优, CS值分 别为0.011、0.023和0.490, 相应的可以得到表2中的各数据, 其中RBFNN+BPNN+Genlin模型的 MARE 值和 RAAE 值优于其他集成模型和其对应的 3 种单个模型。

　　3.2 模型比较 近年来, 许多学者也开始使用机器学习来协助护栏设计, 而提高模型预测精度则是能够有效提高 开发效率的重点, 将其与对应数据来源文章中所提出的预测模型 进行比较。各数据集中研究者使用的最终模型的性能指标值。 数据集 1 对应的研究者使用 RBF 模型进行护栏性能预测, 并使用 MARE 和 RMSE 作为性能指标, 其结果分别为 8.790 和 4.754, 数 据集 2 对应的各项数据为研究者使用 RBF–MQ 模型得到, 并以 MARE 和 RAAE 作为评判指标。

　　4 结论

　　本文针对目前缺少一个具有明显优势的高精度和高泛用性的预测模型来形成系统的高效护栏设计 方法这一问题, 引入集成式人工智能模型来进行护栏性能的预测, 高性能预测模型配合优化算法能够 极大地减少护栏设计成本并系统化设计方式, 具有很强的工程意义。在本文中主要对集成模型性能方面 进行了探究。

　　文中对单个模型训练时使用了十折交叉验证方法, 提高了模型的泛化能力, 并通过综合满意度对 单个模型性能进行了判断, 挑选出较优单个模型并使用集成函数得到集成模型。

　　通过使用现有研究中的 数据集对集成模型在护栏性能预测方面的有效性进行了验证, 再通过对比单个模型、现有研究中的模型 和集成模型, 发现集成模型具有明显优势, RBFNN+BPNN+Genlin 模型各项指标值较现有研究中所使用 模型提升 24%–58.9%, 具有更强的鲁棒性和更高的预测精度。 参考文献:

　　[1] 雷正保. 大力开展半刚性护栏防撞新机理的研究[J]. 振动与冲击, 2002(1): 3–8, 101.

　　[2] 杨立伟, 朱艳艳, 朱玉, 等. 新型波形梁护栏的开发及应用研究[J]. 公路, 2018, 63(11): 215–219.

　　[3] 赵建, 雷正保, 王素娟. 高速公路跨线桥 SS 级防撞护栏优化设计[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：涂晓威, 雷正保