本发明公开隧道入口段车流控制方法，其包括以下步骤：S1、隧道内行驶的车辆按车辆大小实行分道行驶，并将隧道入口处的车流进行分道行驶管制；S2、获取每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量；S3、基于每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量采用BP神经网络的分类识别算法分别获取每个车道的最佳限速值以及合理的声光预警提示信息；S4、分别在对应车道上显示可变限速提示信息，并依照声光预警提示信息对隧道内车辆的车速进行声光预警提示。本专利实现大小车道上的车流速度整体控制，并针对个体车辆进行触碰限高栏的违规检测和处罚，可改善公路隧道入口段交通事故常发的现状，提高公路隧道的通行效率与安全水平。
1.隧道入口段车流控制方法，其特征在于：其包括以下步骤：
S1、隧道内行驶的车辆按车辆大小实行分道行驶，并将隧道入口处的车流进行分道行驶管制；
S2、获取每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量；
S3、基于每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量采用BP神经网络的分类识别算法分别获取每个车道的最佳限速值以及合理的声光预警提示信息；
S3.1、建立BP神经网络三层结构：BP神经网络包括输入层、隐层和输出层，定义BP神经网络的输入层神经元为n个，输出层神经元为m个，隐层神经元为l个；则将每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量作为输入指标，即输入层神经元的个数n的取值为3；将BP神经网络的输出层神经元的个数m的取值基于声光预警提示信息的分类设为3；并将BP神经网络的隐层神经元的个数l的取值为5；
S3.2、训练BP神经网络：给定训练数据集，将训练数据集中含有输入层神经元输入值xi的输入样本输入BP神经网络，对比网络预测输出值Ok和实际输出值Yk，计算网络预测误差ek；然后，依据网络预测误差ek更新修正输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk；对于给定的训练数据集使得输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk的取值均初始化为0-1之间分布的随机数；
wjk＝wjk+ηHjek,j＝1,2,...,l；k＝1,2,...,m (3)隐层各神经元的阈值aj的更新规则满足下式：
其中，Hj为隐层输出，xi为各神经元输入值，η为学习率，η的取值范围在0.01到0.8；
S3.3、训练出符合要求的BP神经网络后，将获取的每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量的数据作为预测数据代入BP神经网络中进行实时分类识别，进而获取各车道上最佳限速值以及合理的声光预警提示信息；
S4、分别在对应车道上显示可变限速提示信息，并依照声光预警提示信息对隧道内车辆的车速进行声光预警提示。
2.根据权利要求1所述隧道入口段车流控制方法，其特征在于：所述步骤S1具体包括以下步骤：S1.1在距隧道入口700-900米处，设置指示分道行驶的固定提示牌；
S1.2在隧道入口段针对大小车行驶的车道设置隔离栏，并在小车道上设置活动限高栏，并进行违规检测及违规处罚。
3.根据权利要求1所述隧道入口段车流控制方法，其特征在于：所述步骤S2中通过照度检测器检测每个车道的隧道入口内外的照度，进而获取对应车道的隧道入口内外的照度差，通过平均车速检测器分别检测每个车道的隧道入口内外的平均车流速度，进而获取对应车道的隧道入口内外的平均车流速度差；通过车流量检测器检测每个车道的隧道内的车流量。
4.根据权利要求3所述隧道入口段车流控制方法，其特征在于：每个车道上至少设有2个以上的照度检测器，至少一个照度检测器设在该车道的隧道入口内且至少一个照度检测器设在该车道的隧道入口外；每个车道上至少设有2个以上的平均车速检测器，至少一个平均车速检测器设在该车道的隧道入口内且至少一个平均车速检测器设在该车道的隧道入口外；每个车道的隧道内设置至少一个车流量检测器。
5.根据权利要求1所述隧道入口段车流控制方法，其特征在于：所述步骤S4中声光预警提示信息分成三大类：第一类黄闪状态、第二类红闪状态和第三类绿闪状态；当为第一类黄闪状态时，则通过声音提示车辆需要加速，亮黄闪灯，限速值增加；当为第二类红闪状态时，则通过声音提示车辆需要降速，亮红闪灯，限速值减少；当为第三类绿闪状态时，则通过声音提示车辆保持当前车速，亮绿闪灯，限速值不变。
6.根据权利要求1所述隧道入口段车流控制方法，其特征在于：所述步骤S3.3中还包括将预测数据纳入用于训练BP神经网络的训练数据集。
隧道入口段车流控制方法
技术领域
[0001] 本发明涉及公路隧道交通管理领域，具体涉及一种隧道入口段车流控制方法。
背景技术
[0002] 公路隧道入口段是交通事故多发地段，涉及的主要因素是机动车驾驶员在隧道入口处要适应隧道内外的光线变化，以及，车流的平均车速的变化，照度差越大驾驶员受影响越大，平均车速越快也需要更大的额外成本。传统方法是隧道外增加遮阳板或者隧道内增加照明强度，前者施工费用较大，后者日常费用较大。特别是遮阳板的长短与照明强度的大小很难随季节变化和每天的光线的变化而变化，传统方法几乎不能根据公路隧道的实际特点及车流的实时状况来降低交通管理成本及提高交通安全水平。
发明内容
[0003] 本发明的目的在于克服现有技术的不足，提供隧道入口段车流控制方法。
[0004] 本发明采用的技术方案是：
[0005] 隧道入口段车流控制方法，其包括以下步骤：
[0006] S1、隧道内行驶的车辆按车辆大小实行分道行驶，并将隧道入口处的车流进行分道行驶管制；
[0007] S2、获取每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量；
[0008] S3、基于每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量采用BP神经网络的分类识别算法分别获取每个车道的最佳限速值以及合理的声光预警提示信息；
[0009] S4、分别在对应车道上显示可变限速提示信息，并依照声光预警提示信息对隧道内车辆的车速进行声光预警提示。
[0010] 进一步地，所述步骤S1具体包括以下步骤：
[0011] S1.1在距隧道入口700-900米处，设置指示分道行驶的固定提示牌；
[0012] S1.2在隧道入口段针对大小车行驶的车道设置隔离栏，并在小车道上设置活动限高栏，并进行违规检测及违规处罚。
[0013] 进一步地，所述步骤S2中通过照度检测器检测每个车道的隧道入口内外的照度，进而获取对应车道的隧道入口内外的照度差，通过平均车速检测器分别检测每个车道的隧道入口内外的平均车流速度，进而获取对应车道的隧道入口内外的平均车流速度差；通过车流量检测器检测每个车道的隧道内的车流量。
[0014] 进一步地，每个车道上至少设有2个以上的照度检测器，至少一个照度检测器设在该车道的隧道入口内且至少一个照度检测器设在该车道的隧道入口外；每个车道上至少设有2个以上的平均车速检测器，至少一个平均车速检测器设在该车道的隧道入口内且至少一个平均车速检测器设在该车道的隧道入口外；每个车道的隧道内设置至少一个车流量检测器。
[0015] 进一步地，所述步骤S4中声光预警提示信息分成三大类：第一类黄闪状态、第二类红闪状态和第三类绿闪状态；当为第一类黄闪状态时，则通过声音提示车辆需要加速，亮黄闪灯，限速值增加；当为第二类红闪状态时，则通过声音提示车辆需要降速，亮红闪灯，限速值减少；当为第三类绿闪状态时，则通过声音提示车辆保持当前车速，亮绿闪灯，限速值不变。
[0016] 进一步地，所述步骤S3具体包括以下步骤：
[0017] S3.1、建立BP神经网络三层结构：BP神经网络包括输入层、隐层和输出层，定义BP神经网络的输入层神经元为n个，输出层神经元为m个，隐层神经元为l个；则将每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量作为输入指标，即输入层神经元的个数n的取值为3；将BP神经网络的输出层神经元的个数m的取值基于声光预警提示信息的分类设为3；并将BP神经网络的隐层神经元的个数l的取值为5；
[0018] S3.2、训练BP神经网络：给定训练数据集，将训练数据集中含有输入层神经元输入值xi的输入样本输入BP神经网络，对比网络预测输出值ok和实际输出值Yk，计算网络预测误差ek；然后，依据网络预测误差ek更新修正输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk；对于给定的训练数据集使得输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk的取值均初始化为(0,1)分布的随机数；
[0019] 其中，网络预测误差ek的更新规则满足下式：
[0020] ek＝Yk-Ok,k＝1,2,...,m (1)
[0021] 输入层和隐层的连接权值wij的更新规则满足下式：
[0022]
[0023] 隐层和输出层的连接权值wjk的更新规则满足下式：
[0024] wjk＝wjk+ηHjek,j＝1,2,...,l；k＝1,2,...,m (3)
[0025] 隐层各神经元的阈值aj的更新规则满足下式：
[0026]
[0027] 输出层各神经元阈值bk的更新规则满足下式：
[0028] bk＝bk+ek,k＝1,2,...,m (5)
[0029] 其中，Hj为隐层输出，xi为各神经元输入值，η为学习率，η的取值范围在(0.01,0.8)；
[0030] 采用反向传播算法训练BP神经网络，不断输入检验数据，判断检验结果。反复计算误差和修改权值、阈值，直到误差达到一定要求范围内，即可结束神经网络的学习过程。
[0031] S3.3、训练出符合要求的BP神经网络后，将获取的每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量的数据作为预测数据代入BP神经网络中进行实时分类识别，进而获取各车道上最佳限速值以及合理的声光预警提示信息。
[0032] 进一步地，所述步骤S3.3中还包括将预测数据纳入用于训练BP神经网络的训练数据集。
[0033] 本发明采用以上技术方案，随着智能技术的飞速发展，相关技术的日益成熟，在隧道入口段对不同车型机动车进行平均车速的分别控制，在大、小车道隔离的基础上，根据隧道内外照度差，大、小车道上平均车速差及大、小车道上各自的车流量的变化等信息进行实时动态声光预警提示以及最佳车速控制，使各车道上车流能够按照合理的车速行驶，使公路隧道入口段的车流能够动态适应周围环境的变化，更高效地保证车流通过公路隧道入口段。
附图说明
[0034] 以下结合附图和具体实施方式对本发明做进一步详细说明；
[0035] 图1为本发明的隧道入口段车流控制方法的流程图；
[0036] 图2为本发明的隧道入口段的结构示意图；
[0037] 图3为本发明的隧道入口段车流控制方法的BP神经网络的结构示意图。
具体实施方式
[0038] 如图1至3之一所示，本发明公开了隧道入口段车流控制方法，其包括以下步骤：
[0039] S1、隧道内行驶的车辆按车辆大小实行分道行驶，并将隧道入口处的车流进行分道行驶管制；
[0040] S2、获取每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量；
[0041] S3、基于每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量采用BP神经网络的分类识别算法分别获取每个车道的最佳限速值以及合理的声光预警提示信息；
[0042] S4、分别在对应车道上显示可变限速提示信息，并依照声光预警提示信息对隧道内车辆的车速进行声光预警提示。
[0043] 进一步的，如图2所示，所述步骤S1具体包括以下步骤：
[0044] S1.1在距隧道入口700-900米处，设置指示分道行驶的固定提示牌；
[0045] S1.2在隧道入口段针对大小车行驶的车道设置隔离栏，并在小车道上设置活动限高栏，并进行违规检测及违规处罚。
[0046] 进一步地，所述步骤S2中通过照度检测器检测每个车道的隧道入口内外的照度，进而获取对应车道的隧道入口内外的照度差，通过平均车速检测器分别检测每个车道的隧道入口内外的平均车流速度，进而获取对应车道的隧道入口内外的平均车流速度差；通过车流量检测器检测每个车道的隧道内的车流量。
[0047] 进一步地，每个车道上至少设有2个以上的照度检测器，至少一个照度检测器设在该车道的隧道入口内且至少一个照度检测器设在该车道的隧道入口外；每个车道上至少设有2个以上的平均车速检测器，至少一个平均车速检测器设在该车道的隧道入口内且至少一个平均车速检测器设在该车道的隧道入口外；每个车道的隧道内设置至少一个车流量检测器。
[0048] 进一步地，所述步骤S4中声光预警提示信息分成三大类：第一类黄闪状态、第二类红闪状态和第三类绿闪状态；当为第一类黄闪状态时，则通过声音提示车辆需要加速，亮黄闪灯，限速值增加；当为第二类红闪状态时，则通过声音提示车辆需要降速，亮红闪灯，限速值减少；当为第三类绿闪状态时，则通过声音提示车辆保持当前车速，亮绿闪灯，限速值不变。
[0049] 进一步地，所述步骤S3具体包括以下步骤：
[0050] S3.1、建立BP神经网络三层结构：BP神经网络包括输入层、隐层和输出层，定义BP神经网络的输入层神经元为n个，输出层神经元为m个，隐层神经元为l个；则将每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量作为输入指标，即输入层神经元的个数n的取值为3；将BP神经网络的输出层神经元的个数m的取值基于声光预警提示信息的分类设为3；并将BP神经网络的隐层神经元的个数l的取值为5；
[0051] S3.2、训练BP神经网络：给定训练数据集，将训练数据集中含有输入层神经元输入值xi的输入样本输入BP神经网络，对比网络预测输出值ok和实际输出值Yk，计算网络预测误差ek(网络预测误差ek是否有容许的取值区间)；然后，依据网络预测误差ek更新修正输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk；对于给定的训练数据集使得输入层和隐层的连接权值wij、隐层和输出层的连接权值wjk、隐层各神经元的阈值aj、输出层各神经元阈值bk的取值均初始化为(0,1)分布的随机数，且网络误差ek达到一定的容许要求，该容许要求根据训练实际有所取舍，兼顾训练时常以及误差精度；
[0052] 其中，网络预测误差ek的更新规则满足下式：
[0053] ek＝Yk-Ok,k＝1,2,...,m (1)
[0054] 输入层和隐层的连接权值wij的更新规则满足下式：
[0055]
[0056] 隐层和输出层的连接权值wjk的更新规则满足下式：
[0057] wjk＝wjk+ηHjek,j＝1,2,...,l；k＝1,2,...,m (3)
[0058] 隐层各神经元的阈值aj的更新规则满足下式：
[0059]
[0060] 输出层各神经元阈值bk的更新规则满足下式：
[0061] bk＝bk+ek,k＝1,2,...,m (5)
[0062] 其中，Hj为隐层输出，xi为各神经元输入值，η为学习率，η的取值范围在(0.01,0.8)；
[0063] 采用反向传播算法训练BP神经网络，不断输入检验数据，判断检验结果。反复计算误差和修改权值、阈值，直到误差达到一定要求范围内，即可结束神经网络的学习过程。
[0064] S3.3、训练出符合要求的BP神经网络后，将获取的每个车道在隧道入口内外的照度差、隧道入口内外的平均车流速度差和隧道内的车流量的数据作为预测数据代入BP神经网络中进行实时分类识别，进而获取各车道上最佳限速值以及合理的声光预警提示信息。如果是第一类黄闪状态，则声音提示车辆需要加速，亮黄闪灯，限速值增加；如果是第二类红闪状态，则声音提示车辆需要降速，亮红闪灯，限速值减少；如果是第三类绿闪状态，则声音提示车辆保持当前车速，亮绿闪灯，限速值不变。
[0065] 进一步地，所述步骤S3.3中还包括将预测数据纳入用于训练BP神经网络的训练数据集。
[0066] 对于本发明的上述实施例可将训练BP神经网络生成的历史数据的一部分作为当前的训练数据集，历史数据的另一部分作为检验数据集，实时采集的检测数据作为预测数据集；
[0067] 本发明采用以上技术方案，利用隔离栏分离大、小机动车道，可以左边是小车快速车道，右边是大车慢速车道，特别在左边的小车快速车道上安装活动的限高架并对触碰限高架的车辆进行违规处罚，目的是控制大、小车辆分道进入公路隧道；然后，通过照度检测器、平均车速检测器和车流量检测器进行相关数据自动采集，并将相关数据采用BP神经网络进行分类识别出各车道上的最佳限速值及声光预警提示信息；最后，利用可变信息显示屏及声光预警设备实现公路隧道入口段的车流控制，当车流从入口段进入公路隧道一段距离后，利用固定车速限速提示牌再分别提示不同车道上车辆要按各道及各自限速值行驶。
