摘要: 目前公路護欄缺少系統的高效設計方法, 其主要問題在于缺少一個具有明顯優勢的高精度預測模型。 公路安全護欄的結構尺寸參數與其防護指標之間具有高度的非線性關系, 而人工智能模型被廣泛應用于在非 線性問題的處理上。本文中將使用現有研究中的數據集來對 5 種常用的單個模型進行訓練, 并將其中具有較 高性能的模型用于集成模型的構建。結果顯示, RBFNN+BPNN+Genlin 模型較單個模型和參考文獻中所用模 型具有更高的準確性, 各項模型評價指標值優化了 24%～58.9%。本研究驗證了集成模型在護欄性能預測方面 具有更好的性能, 且為護欄優化設計提供了一種更具優勢的預測模型。

　　關鍵詞: 公路護欄; 性能指標預測; 人工智能模型; 集成式人工智能模型

　　公路安全護欄作為一種常用的交通基礎設施, 能夠通過自身結構的變形對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并且能夠實現對車輛的重新導向，同時防止車輛碰撞到道路旁 的固定物, 如樹、電線桿等。而隨著當今道路交通的不斷發展, 也要求護欄具有更高的防護能力, 因此對于護欄進行優化設計具有重要的意義[1]。

　　以波形梁護欄為例, 護欄設計中主要需要考慮受到沖擊后波 形板、防阻塊和立柱的自身形變等, 因為護欄各部件結構尺寸將直接影響護欄的防護能力。而在以往的 護欄優化設計中大部分是基于設計經驗和真實的汽車護欄碰撞數據進行結構優化[2], 少有系統化的優 化設計方式, 其主要原因在于護欄部件的幾何尺寸與各評價指標之間的高度非線性關系。目前有限元仿 真在護欄相關研究中被廣泛應用, 能極大地減少護欄設計的成本與時間, 趙建等[3]利用有限元仿真與正 交設計結合得到基本樣本, 再將尺寸因素與性能指標結合進行極差、方差和貢獻率等參數分析, 得到較 優參數組合以實現護欄優化設計的目的。

　　隨著機器學習在各個領域的廣泛應用, 同樣有研究者將代理模 型與優化算法相結合進行護欄設計, Yin 等[4]使用徑向基函數(RBF)與多目標遺傳算法(NSGA–II)對護欄 防阻塊厚度和 η 型護欄的柱弓長度尺寸進行優化, Hou 等[5]利用代理模型與多島遺傳算法(MIGA)對立 柱間距和波形梁板厚度進行了尺寸優化以提高護欄防護性能, 上述研究中的一個關鍵點在于預測模型 的準確性將直接影響護欄設計的復雜性和準確度, 但目前對于護欄性能預測沒有具有明顯優勢的預測 模型, 而人工智能模型有著強大的解決非線性問題的能力, 但大多數的研究中均是對單一模型進行少 量優化來增強模型性能以提高預測效果, 而 Chou 等[6]對比不同人工智能模型在高性能混凝土抗壓強度 預測上的應用結果, 發現復合模型預測精度和穩定性高于單一模型。因此本文提出一種用于護欄防護性 能指標預測的高性能集成式的強化人工智能模型, 使其能對護欄設計起指導作用。

　　1 模型搭建方法 本文中使用 IBM SPSS modeler 進行模型的訓練和集成, 各個模型基本參數選用默認值, 并結合十 折交叉驗證方法來提高模型的可靠性, 選用的單個初始模型分別為支持向量機(SVM)、廣義線性回歸 (Genlin)、徑向基人工神經網絡(RBFNN)、反向傳播神經網絡(BPNN)和分類與回歸樹(CART)模型。對 各訓練完成后的模型使用預留數據樣本進行預測效果對比, 選用其中較優的模型用于后續的集成模型 構建。

　　1.1集成模型的搭建

　　使用 IBM SPSS modeler 對上述單個模型進行建模后, 對數據集進行處理, 除一部分樣本作為后續 的檢驗樣本外, 其余樣本根據十折交叉驗證方法, 隨機分為10組, 在每次訓練中將其中9組作為訓練集, 余下一組作為測試集, 共經過 10 輪次訓練, 且每次模型訓練過程中的訓練集和測試集都與其他輪次中 不同, 將其中預測效果最佳的一次模型作為最后訓練所得模型, 用于后續的模型對比和集成模型搭建。

　　2 數據準備及模型評價指標

　　2.1 數據來源

　　現有法規中對于護欄的評價指標有多個方面[11], 加速度值是其中 十分重要的性能指標, 為了更好的進行對比, 數據集中的護欄評價指 標均為加速度。為了保證本文中的模型對比具有可靠性, 本文采用的數 據均來自現已發表的文獻, 且這些文章中所用模型的有效性均在原文 中得到驗證。

　　3 模型對比分析

　　在本節中, 將對上述選用的5種單個模型的預測結果進行比較, 后續再將該結論與集成模型的預測 效果進行比較。

　　3.1 試驗結果

　　根據模型預測評價指標(18)–(21)對各單個人工智能模型的預測結果進行了對比。

　　對于數據集 1, BPNN 模型、RBFNN 模型和 Genlin 模型的 CS值分別為 0、0.399 和 0.553, 優于 其他 2 種模型, 因此將使用這 3 種模型用于后續的集成模型搭建。

　　數據集 1 對應的 4 種集 成模型中性能最優的為RBFNN+BPNN+Genlin模型, 其 MARE 和 RMSE 值也優于對應的3種單個模型, 具有更好的預測性能。而對于數據集 2 而言, Genlin、BPNN 和 RBFNN 模型的綜合性能較優, CS值分 別為0.011、0.023和0.490, 相應的可以得到表2中的各數據, 其中RBFNN+BPNN+Genlin模型的 MARE 值和 RAAE 值優于其他集成模型和其對應的 3 種單個模型。

　　3.2 模型比較 近年來, 許多學者也開始使用機器學習來協助護欄設計, 而提高模型預測精度則是能夠有效提高 開發效率的重點, 將其與對應數據來源文章中所提出的預測模型 進行比較。各數據集中研究者使用的最終模型的性能指標值。 數據集 1 對應的研究者使用 RBF 模型進行護欄性能預測, 并使用 MARE 和 RMSE 作為性能指標, 其結果分別為 8.790 和 4.754, 數 據集 2 對應的各項數據為研究者使用 RBF–MQ 模型得到, 并以 MARE 和 RAAE 作為評判指標。

　　4 結論

　　本文針對目前缺少一個具有明顯優勢的高精度和高泛用性的預測模型來形成系統的高效護欄設計 方法這一問題, 引入集成式人工智能模型來進行護欄性能的預測, 高性能預測模型配合優化算法能夠 極大地減少護欄設計成本并系統化設計方式, 具有很強的工程意義。在本文中主要對集成模型性能方面 進行了探究。

　　文中對單個模型訓練時使用了十折交叉驗證方法, 提高了模型的泛化能力, 并通過綜合滿意度對 單個模型性能進行了判斷, 挑選出較優單個模型并使用集成函數得到集成模型。

　　通過使用現有研究中的 數據集對集成模型在護欄性能預測方面的有效性進行了驗證, 再通過對比單個模型、現有研究中的模型 和集成模型, 發現集成模型具有明顯優勢, RBFNN+BPNN+Genlin 模型各項指標值較現有研究中所使用 模型提升 24%–58.9%, 具有更強的魯棒性和更高的預測精度。 參考文獻:

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

　　[2] 楊立偉, 朱艷艷, 朱玉, 等. 新型波形梁護欄的開發及應用研究[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 級防撞護欄優化設計[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