【技术实现步骤摘要】
一种基于车流车型的城市地下交通隧道智能通风方法与装置
[0001]本专利技术涉及公路隧道
,具体为一种基于车流及车型的城市地下交通隧道智能通风方法与装置。
技术介绍
[0002]随着城市的发展,建设城市地下交通隧道成为缓解地面交通拥堵的重要手段。与一般公路隧道相比,城市地下道路大多建于城市中心区,隧道设置多个出入口与地面连接,存在分叉隧道,因此结构形式较一般的山岭公路隧道复杂。城市地下道路交通特征主要体现为交通量大,隧道进、出口有交通信号灯管制,行车速度慢(限速40
‑
60km/h),同时隧道内部具有明显车流高峰期。隧道内通行车辆排放尾气,由于隧道为半封闭地下空间。为满足隧道内污染物浓度限值要求,通风系统设计已成为隧道工程中所考虑的一项重要内容。
[0003]隧道通风的方式按车道空间的空气流动方式,可以分为自然通风和机械通风。其中,机械通风方式又分为纵向通风方式、半横向通风方式、全横向通风方式和组合通风方式四种。对于城市长距离地下交通隧道,普遍采用纵向通风加排风竖井的通风方式。
[0004]公路隧道通风系统通过控制隧道内开启射流风机数量和位置,从而稀释隧道内污染气体浓度,例如,CO,NO
X
等,保证隧道内空气质量符合相关技术规范要求,保障隧道内行车人员的舒适性和安全性。结合现场以及资料调研,城市地下隧道通风系统存在以下问题:
[0005]1)缺乏针对车流量变化的动态控制。城市道路地下通风设计所需风量是在假设隧道内污染物浓度全线超标情况下给定的。然而,在 ...
【技术保护点】
【技术特征摘要】
1.一种基于车流车型的公路隧道智能通风装置,其特征在于,包括:车流量检测模块、智能控制模块以及风门控制器(3)和变频风机(2),所述车流量检测模块包括车辆红外线检测器(1)和信号转换器(4);信号转换器(4)与车辆红外线检测器(1)相接;所述智能控制模块包括存储器(7)、计算单元(6)以及中央控制器(5),中央控制器(5)分别与存储器(7)、信号转换器(4)、计算单元相连,所述风门控制器(3)与中央控制器(5)相连,所述风门控制器(3)与变频风机(2)相连。2.根据权利要求1所述的一种基于车流车型的公路隧道智能通风装置,其特征在于,车辆红外线检测器(1)布置在隧道内部,该车辆红外线检测器(1)是波束检测装置,在不同的方向上获得同一车辆同一时间不同的信息信号,同一路口上的多个红外线检测器,不发生不同红外线检测器在发射红外线和接收红外线间的相互干扰,红外线检测器能自动生成二维或三维的监视图像,对车辆进行分类。3.一种根据权利要求1
‑
2任一所述基于车流车型的公路隧道智能通风装置的方法,其特征在于,该方法执行步骤如下:S1:隧道内的车辆红外线检测器(1)获取隧道内车辆的通行信息,其中,所述隧道内车辆信息包括隧道内车辆交通量、车辆燃油类型及车型信息;每隔预定时间
△
t,车辆红外线检测器(1)通过信号转换器(4)将
△
t时间间隔内采集到的隧道内车辆通行信息汇总发给中央控制器(5);S2:中央控制器(5)将车辆通行信息进行处理,存储隧道内不同车辆类型的交通量;S3:神经网络预测计算中心建立LSTM神经网络模型,利用S2中存储的n个时段隧道内经过的不同车辆类型的交通量值构建数据集,训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量;S4:根据S3中预测所得第n+1个时刻的隧道内不同车辆类型的交通量,通过需风量计算中心计算得到隧道需风量值;S5:所述中央控制器(5)通过接收计算单元(6)的需风量计算结果,控制风门控制器(3),控制变频风机(2)的运行状态改变隧道内的通风风量,从而达到隧道通风变频节能的效果。4.根据权利要求3所述的基于车流车型的公路隧道智能通风方法,其特征在于:利用LSTM神经网络车流量预测方法的步骤如下:STM神经网络模型获得第n+1时刻的不同车辆类型的预测交通量具体步骤为:S1:获取车流量历史数据;通过信号转换器4转换车辆红外线检测器1存储的历史数据中m组n个时段不同车辆类型的交通量值即每个时段相隔
△
t,并将信号传递给中央控制器;S2:数据预处理;在神经网络预测计算中心对获取到的m组n个时段经过的不同车型的车流量值进行数据预处理,即删除重复数据和缺失数据;数据预处理非常重要,数据预处理的好坏会对模型的预测精度产生影响;S3:数据集构建;利用预处理后的数据构建数据集,数据集主要包括训练集和预测集;针对单一某路段,将清理后的数据,按时间戳的前后顺序排列,将路段每隔15min的车流量数值提取出来作为车流量时间序列;判断车流量时间序列是否是平稳时间序列,如果是平稳序列则直接构造数据集,若不平稳则对其进行差分,利用差分后的数据构造数据集,得到预测车流量值时进行相应的逆变换;最后将数据输入模型之前对数据进行归一化处理,以
便于模型训练,得到更好的结果;进一步的,对输入数据进行归一化处理的具体计算表达式为:其中,X
it
为车流量值,minX
i
为输入序列所有车流量值中的最小值,maxX
i
为输入序列所有车流量值中的最大值;S4:模型的构建与训练;建立LSTM神经网络模型,利用预先的构建数据集训练LSTM神经网络模型并调整LSTM参数,根据建立好的LSTM神经网络模型获得预测的车流量;使用建立的短时车流量预测模型对测试集进行预测,将结果和实际车流量进行对比,评估模型的性能,不断完善模型;进一步的,LSTM网络根据隧道历史数据计算得到预测数据,公式如下:f
t
=σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)i
t
=σ(W
xi
x
i
+W
hi
h
t
‑1+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)o
t
=σ(W
xo
x
t
+W
ho
h
t
‑1+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)m
t
=tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)h
t
=o
t
·
m
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中,f
t
,i
t
,o
t
,分别表示当前时刻遗忘门输出,输入门输出、输出门输出,
·
表示点乘,W
f
,W
i
,W
c
,W
o
分别表示遗忘门、输入门、存储状态、输出门的权重参数,b
f
,b
i
,b
c
,b
o
分别表示遗忘门、输入门、存储状态、输出门的偏置,x
t
,h
t
,c
t
,分别表示输入参数、输出参数及存储状态参数,c
t
‑1,h
t
...
【专利技术属性】
技术研发人员:李炎锋,刘爽,杨泉,雷晨彤,苏枳赫,马政,李俊梅,陈超,欧阳力,杨石,鲁慧敏,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。