基于CNN-LSTM的重型自卸车侧翻预警模型.pdf

第 卷第期V o l ,N o 滨州学院学报J o u r n a l o fB i n z h o uU n i v e r s i t y 年月A p r,【工程与技术研究】基于C NN L S TM的重型自卸车侧翻预警模型收稿日期:基金项目:湖北省重点研发计划项目(B AA );工信部工业互联网创新发展工程项目(T C A W,T C C)第一作者简介:汪佳铭(),男,湖北天门人,硕士研究生,主要从事车辆稳定性控制研究.E m a i l:q q c o m通信作者简介:胡明茂(),男,山东临朐人,教授,博士,主要从事车辆稳定性控制研究.E m a i l:h u h u a t e d u c n汪佳铭,胡明茂,师国东,朱天民(湖北汽车工业学院 机械工程学院,湖北 十堰 )摘要:为解决重型自卸车的侧翻预警问题,基于C NN L S TM神经网络构造了重型自卸车的侧翻预警模型.利用T r u c k s i m与MAT L A B/S i m u l i n k搭建了重型自卸车仿真模型,以横向载荷转移率等于 为侧翻阈值,提取了不同工况下的车辆运行参数,利用车辆运行参数,训练C NN L S TM重型自卸车侧翻预警模型,并分别与基于C NN、L S TM搭建的预警模型对比.结果表明:C NN L S TM重型自卸车侧翻预警模型预测准确率为 ;感受性曲线的曲线下面积为 ,高于由单一神经网络所搭建的侧翻预警模型.关键词:重型自卸车;C NN L S TM神经网络;横向载荷转移率;侧翻预警模型;仿真中图分类号:U 文献标识码:A D O I:/j c n k i 引言重型自卸车因轴数少、轴距短、操纵灵活、运输周期短等特点,受到交通运输市场的青睐,但同时,重型自卸车的质心较半挂车更高,加上其行驶的路况更为复杂,因此在运输过程中发生侧翻事故的比例明显高于其他运输车辆.近年来我国发生重型自卸车侧翻事故的比例有所升高.因此,有必要对重型自卸车的防侧翻预警开展更为深入的研究.针对不同类型车辆的侧翻,国内外学者已经有了许多较为深入的研究.H o u等提出了一种基于牵引车和挂车综合侧倾角的新型侧翻指标,由于可测性差,采用无迹卡尔曼滤波(U n s c e n t e dK a l m a nF i l t e r,UK F)算法分别对履带和挂车的侧倾角进行估计,并在侧翻指标中考虑了不同的权重系数,以消除牵引车与挂车之间相互耦合的影响,提高了预警的准确性.M i y a m o t o等提出了一种基于改进前后轮转向的防侧翻控制方案,并进行了数值模拟,证明了所提出控制方案的实用性.于志新等研究了基于重型车辆的动力学模型的侧翻时间(t i m e t or o l l o v e r,T T R)预警算法,并引用差动制动的方法对重型车辆进行了主动侧倾控制,有效提高了重型车辆稳定性.李胜琴等主要针对客车的侧翻问题,在前人研究的基础上提出了防侧翻集成控制策略,该策略能有效控制客车在行驶过程中发生侧翻.康小鹏等根据客车不同的运行状态提出了一种主动防侧翻控制方法,在现有比例积分微分控制(p r o p o r t i o n a l i n t e g r a l d e r i v a t i v ec o n t r o l,P I D)的基础上进一步设计了柔性P I D控制器,提高了客车在行驶过程中的稳定性,降低了客车发生侧翻的概率.L u等针对重型车辆的侧翻风险,提出了一种基于多路面附着系数辨识的自适应侧翻预测滨州学院学报第 卷控制算法,并通过实验验证了控制效果,该控制算法能够准确预测侧翻风险,及时控制侧翻.姚嘉凌等提出一种基于机器学习和人工神经网络的侧翻预警方法,该法能有效地预测车辆行驶运动状态和运动参数,为车辆防侧翻提供了理论依据.J i n等提出一种新的三轴客车侧翻指标,通过T r u c k s i m进行了验证并讨论车辆侧翻动力学的影响规律以探究其稳定性机理,结果表明,新的建模方法能够精确地描述所研究客车的侧翻动力学特性,为提高三轴客车的抗侧翻能力提供了理论依据.人工神经网络具较强的鲁棒性和容错率,且处理问题快,计算迅速,自学习、自组织、自适应性强,具有很强的综合信息处理能力.而神经网络算法中,长短期记忆神经网络(L o n gS h o r t T e r m M e m o r yN e u r a lN e t w o r k,L S TM)擅长对序列信息进行建模,在序列建模问题上有一定优势,具有长时记忆功能,能解决长序列训练过程中梯度消失和梯度爆炸的问题,对随时间变化的货车侧翻数据模型有很好的拟合效果.因此,本文应用神经网络对重型自卸车运行过程中的相关参数进行分析,训练好模型之后对采集的实时数据进行预测.研究结果可以为重型自卸车司机提供侧翻预警,方便其更好地处理可能发生的车辆侧翻情况,保障重型自卸车的正常行驶,减少安全隐患.影响重型自卸车侧翻的主要因素重型自卸车侧翻是一种极端工况.发生侧翻的影响因素主要可以归纳为两类:()车辆本身设计的静态参数,例如质心高度、悬架类型、轮胎类型等;()车辆行驶过程中的动态参数,例如侧向加速度、横摆角速度、质心侧偏角等.通过分析以往的重型自卸车侧翻事故可知,横摆角速度、侧倾角、侧向加速度、质心侧偏角和横向载荷转移率(L a t e r a l l o a dT r a n s f e rR a t e,L T R)这个动态参数最能反映车辆侧倾稳定性.由于重型自卸车的质心相较于一般车辆更高且其行驶路况多为松软地面,所以相较于其他类型的车辆,重型自卸车往往更容易发生侧翻.因此需要控制重型自卸车的轮胎与地面之间的载荷.本文选择以重型自卸车的L T R作为稳定性指标,其计算公式为Lt r(Fr,iFl,i)/(Fr,iFl,i).式中,Fr,i为作用于第i个右轮上的垂直载荷,Fl,i为作用于第i个左轮上的垂直载荷,Lt r为横向载荷转移率,其取值范围为,当Lt r为临界值时,判定车辆已经开始发生侧翻.车辆仿真模型搭建与数据预处理 重型自卸车仿真模型搭建通过查阅实车资料,确定车辆主要参数后,利用T r u c k s i m动力学仿真软件搭建车辆仿真模型(图).图重型自卸车仿真模型重型自卸车整车模型的搭建过程主要由部分组成,分别为搭建簧上质量模型、搭建轮胎模型、搭建悬架系统、搭建转向系统.第期汪佳铭,胡明茂,师国东,等基于C NN L S TM的重型自卸车侧翻预警模型重型自卸车仿真模型的主要参数如表 所示:表重型自卸车仿真模型主要参数仿真模型参数数值仿真模型参数数值整车质量m/k g 后悬等效侧倾阻尼cs r/(N(ms)簧上质量ms/k g 轮胎弹性系数kt/(Nm)左前、右前簧下质量mu,mu/k g 前轮等效侧偏刚度kt f/(Nr a d)整车绕x轴的转动惯量Ix/(k gm)后轮等效侧偏刚度kt r/(Nr a d)整车绕y轴的转动惯量Iy/(k gm)侧倾臂长hs/m 整车绕z轴的转动惯量Iz/(k gm)前轮距Tf/m 前轮等效侧倾刚度ku f/(Nm)后轮距Tr/m 后轮等效侧倾刚度ku r/(Nm)前轴距a/m 前悬等效侧倾阻尼cs f/(N(ms)后轴距b/m 数据的建立将表中所列数据输入系统并导入T r u c k s i m动力学软件中生成车辆仿真模型,然后与M a t l a b/S i m u l i n k进行联合仿真.以Lt r 为侧翻阈值,当车辆Lt r值处于 ,区间内时,数据标签贴为,表示无侧翻趋势;当车辆Lt r值处于 ,区间外时,数据标签贴为,表示车辆有侧翻趋势,将联合仿真产生的数据和数据标签一并导出.原始数据由鱼钩工况、双移线工况和阶跃工况种常见的侧翻工况生成.将T r u c k s i m的自卸车模型导入S i m u l i n k,设置T r u c k s i m模型的输出,得到组数据.鱼钩工况、双移线工况、阶跃工况的参数设置:路面附着系数均为 ,侧翻阈值均为 ,初始速度分别为 k m/h、k m/h、k m/h.鱼钩工况下,系统方向盘转角参数输入如图(a)所示,数据采样频率为 s,采样时间为 s,样本数量为 组.图(b)(e)分别为在鱼钩工况下重型自卸车的侧倾角、侧向加速度、横摆角速度、质心侧偏角随时间的变化情况.(a)鱼钩工况下方向盘转角输入(b)鱼钩工况下车辆侧倾角(c)鱼钩工况下车辆侧向加速度(d)鱼钩工况下车辆横摆角速度(e)鱼钩工况下车辆质心侧偏角图鱼钩工况参数变化情况双移线工况下,系统方向盘转角参数输入设置如图(a)所示,数据采样频率为 s,采样时间为滨州学院学报第 卷 s,样本数量为 组.图(b)(e)分别为双移线工况下重型自卸车的侧倾角、侧向加速度、横摆角速度、质心侧偏角随时间的变化情况.(a)双移线工下况方向盘转角输入(b)双移线工况下车辆侧倾角(c)双移线工况下车辆侧向加速度(d)双移线工况下车辆横摆角速度(e)双移线工况下车辆质心侧偏角图双移线工况参数变化情况阶跃工况下,系统方向盘转角参数输入设置如图(a)所示,数据采样频率为 s,采样时间为 s,样本数量为 组.图(b)(e)分别为阶跃工况下重型自卸车的侧倾角、侧向加速度、横摆角速度、质心侧偏角随时间的变化情况.(a)阶跃工况下方向盘转角输入(b)阶跃工况下车辆侧倾角(c)阶跃工况下车辆侧向加速度(d)阶跃工况下车辆横摆角速度(e)阶跃工况下车辆质心侧偏角图阶跃工况参数变化情况 数据预处理将上述种工况共 组数据导出后,利用P y t h o n中的p a n d a s库对数据进行预处理,读取所采集的数据,然后将种不同工况的数据合并为一个数据矩阵,最后对各参数做基本统计,数据统计情况如表所示.横摆角速度、侧倾角、侧向加速度、质心侧偏角个参数的样本总量均为 ,无明显异常值和缺第期汪佳铭,胡明茂,师国东,等基于C NN L S TM的重型自卸车侧翻预警模型失值,无须对数据进行增删改等处理.但数据范围波动较大且单位不一致,为方便后续预警模型的搭建,需要对数据进行无量纲化处理.目前主流数据无量纲化处理方法有归一化和标准化两种,考虑到本文数据部分参数最大值和最小值相差较大,容易造成归一化结果不稳定,从而导致侧翻预警模型训练效果变差,故本文采用标准化作为数据无量纲处理的方法.将数据以均值为中心,再根据数据的标准差对数据进行相应的缩放,使所有数据满足均值为,标准差为,并服从正态分布.数据标准化公式为X(Xu)/.式中,X 为标准化后的重型自卸车特征参数,X为初始特征参数,u为该特征均值,为该特征的标准差.表数据基本统计表参数特征均值特征标准差特征最小值特征上四分位数特征中位数特征下四分位数特征最大值横摆角速度/()s)侧倾角/()侧向加速度/g 质心侧偏角/()车辆侧翻预警模型搭建 神经网络基本知识图C NN神经网络结构图卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t w o r k s,C NN)具有和普通神经网络类似的可学习的权重和偏置.C NN通常是由输入层、卷积层、池化层、全连接层和输出层组成,其基本结构如图所示.卷积层的计算公式为FwCkWfjHfi(Fk(i,j)wk(i,j).式中:表示卷积计算,F表示输入卷积层的数据,w表示卷积核的权重参数,C、Hf、Wf分别为卷积核的通道数、高度、宽度.图L S TM神经网络结构图L S TM是基于递归神经网络(R e c u r r e n tN e u r a lN e t w o r k,R NN)的改进模型,其隐藏单元完整逻辑结构如图所示.遗忘门主要负责决定上一时刻从储存单元Ct删除多少无用信息,当前时刻在储存单元Ct中保留多少有效信息;输入门主要负责控制导入当前时刻记忆单元Ct中输入数据xt包含多少有效信息;输出门主要负责控制下一时刻当前记忆单元Ct将输入多少有效信息给隐藏层.具体计算公式为ft(Wfht,xtbf),it(Wiht,xtbi),c t a n h(Wcht,xtbc),ot(Woht,xtbo),htott a n h(c).式中,ft表示遗忘门,it表示输入门,c 表示细胞单元,ot表示输出门,ht表示时步t时输出,W表示门的权重,表示s i g m o i d函数,b为门的偏置.滨州学院学报第 卷在机器学习应用中,特征提取是一个重要的步骤,将C NN和L S MT结合起来的意义就在于利用C NN中的卷积层来自动提取特征.基于C NN L S TM的重型自卸车侧翻预警模型的基本预测过程为:()将预处理好的特征参数输入至C NN卷积层,利用卷积核提取特征;()提取后的特征从卷积层输入到池化层,降低特征纬度并最大程度保留特征信息;()池化层降维处理好的数据输入L S TM层进行训练,自动学习车辆侧翻特征;()训练误差反向传播机制逐层更新侧翻预警模型的参数;()使用s i g m o i d函数将预测结果映射到,作为概率进行输出,完成整个侧翻预警过程.C NN L S TM神经网络预警模型的结构如图所示.图C NN L S TM神经网络预警模型结构图 预警模型搭建通过文献 中的方法以及反复验证调试后,将C NN L S TM神经网络模型具体参数设置如表所示.其中包含:一层一维卷积层作为输入层;一层池化层用于压缩特征,池化层选取最大池,能够在缩减特征维度的同时最大程度的保留所需的特征信息,边界部分填充方式选择全填充;两层L S TM网络,主要用来处理特征序列信息;一层F l a t t e n层,将从L S TM层传入来的多维数据一维化;一层全连接层,用于将特征映射到样本空间;一层D r o p o u t层,防止模型过拟合;优化算法选择a d a m,损失函数选择二进制交叉熵,以提高计算效率,减少训练时长.表神经网络模型参数设置网络层参数设置网络层参数设置一维卷积层卷积核数量 ,卷积核大小,步长,激活函数r e l u,填充方式s a m eF l a t t e n层默认设置池化层池化核大小,步长,填充方式s a m e全连接层神经元个数,激活函数t a n hL S TM 层神经元个数,激活函数t a n hD r o p o u t层丢失率 L S TM 层神经元个数,激活函数t a n h输出层激活函数s i g m o i d 结果分析将处理好的数据划分为测试集和训练集并导入模型中,得到计算结果.为了证明C NN L S TM神经网络在预测重型自卸车问题上具有更好的性能和稳定性,另外搭建了双层L S TM模型以及C NN模型作为对比.将同样的数据依次输入对比模型,所有模型初始批次大小均设置为 ,迭代次数均为 ,取次迭代均值作为结果.种模型的对比输出结果:L S TM模型准确率(模型对于预测结果的准确程度)为 ,损失值(用于衡量模型预测结果与真实值的差异程度)为 ;C NN模型准确率为 ,损失值为 ;C NN L S TM模型准确率为 ,损失值为 .测试集的准确率迭代曲线如图第期汪佳铭,胡明茂,师国东,等基于C NN L S TM的重型自卸车侧翻预警模型所示,测试集的损失函数迭代曲线如图所示.由图、图可以看出,C NN L S TM重型自卸车侧翻预警模型在测试集上对车辆的侧翻平均预测准确率达到 ,高于其他两种单一神经网络模型对车辆侧翻平均准确率,且损失值最小,说明模型的预测值和真实值相差不大,这证明了该模型与其他模型相比在重型自卸车防翻车预测方面的优越性.图模型测试集的准确率迭代曲线图模型测试集的损失函数迭代曲线 模型性能评价二分类问题常用混淆矩阵 作为工具来衡量分类模型,混淆矩阵如表所示.根据混淆矩阵可将样 表混淆矩阵真实类别预测结果正例反例正例T PF P反例F NTN例根据其真实类别与预测类别的组合划分为真正例(T P)、假正例(F P)、真反例(T N)、假反例(F N).由于s i g m o i d函数直接输出的是概率值,故本文以感受性曲线(r e c e i v e ro p e r a t i n gc h a r a c t e r i s t i cc u r v e,R O C)和曲线下面积(A r e aU n d e rR O CC u r v e,AU C)来作为模型的性能评估指标.R O C经过如下方法得到:先设置一个阈值,概率值超过此阈值归类为,概率值低于此阈值则归类为,在阈值从到移动的过程中就会产生很多假正例率和真正例率的值.R O C以假正例率为横坐标,真正例率为纵坐标,AU C即为R O C与x轴所围成的面积.假正例率、真正例率、曲线下面积的计算方法分别为Fp rFpFpTp,Tp rTpTpFn,Au cRo c.式中,Fp r为假正例率,Fp为假正例值,Tp为真正例值,Tp r为真正例率,Fn为假反例值,Au c为曲线下面积,Ro c为感受性曲线函数.图(a)(c)分别为C NN预警模型的R O C、L S TM预警模型的R O C、C NN L S TM预警模型的R O C.图中R O C与x轴围成的面积,即为Au c的值.(a)C NN预警模型(b)L S TM预警模型(c)C NN L S TM预警模型图 种预警模型的R O C由图 可知,C NN预警模型的Au c值为 ;L S TM预警模型的Au c值为 ;C NN L S TM预警滨州学院学报第 卷模型的Au c值为 ,C NN L S TM预警模型的Au c值最大,表明其性能在种模型中最优,结合 小节的结果分析可得出结论:利用C NN L S TM神经网络搭建的重型自卸车侧翻预警模型的性能优于仅仅使用单一神经网络搭建的预警模型,且该模型性能可靠,预测准确度高.结论经上述验证,可得到以下主要结论.()本文利用MAT L A B/S i m u l i n k与T r u c k s i m联合仿真搭建重型自卸车仿真模型,用C NN L S TM神经网络搭建重型自卸车侧翻预警模型,模型对车辆侧翻预测准确率为 ,曲线下面积值为 ,表明该模型对重型自卸车的侧翻预警具有较高的准确率和可靠性.()本文另外搭建了基于C NN、L S TM神经网络的重型自卸车侧翻预警模型作为对比,两种模型的预测正确率分别为 、,曲线下面积值分别为 、,两项数据均低于基于C NN L S TM搭建的重型自卸车侧翻预警模型,表明本文所提出的基于C NN L S TM搭建的重型自卸车侧翻预警模型相较于其他两种基于单一神经网络搭建的重型自卸车侧翻预警模型具有更高的优越性.虽然本文较为全面的验证了C NN L S TM侧翻预警模型的可靠性,但仍有以下两点值得后续深入研究.()本文的模型训练数据是基于重型自卸车仿真模型提取而来的,模型侧翻预警功能主要针对重型自卸车,然而在实际生活中S UV等质心较高的车辆也易发生侧翻,后续研究可在模型训练数据中加入其他车型的运行特征,从而提高模型的泛化性.()本文在搭建侧翻预警模型时只考虑了重型自卸车的种运行参数,后续研究亦可增加新的影响车辆稳定性的参数,如司机驾驶行为等来提高模型预测精度和模型泛化性.参考文献:靳亚格基于D EMAT E L I S M的高速公路交通事故影响因素研究D西安:长安大学,HOUJ,L E IH,F UZ,e ta l An o v e l r o l l o v e rw a r n i n ga p p r o a c hf o rc o mm e r c i a lv e h i c l e su s i n gu n s c e n t e dK a l m a nf i l t e rJ M a t h e m a t i c a l p r o b l e m s i ne n g i n e e r i n g,:M I YAMO T OS,O YA M I m p r o v e dr o l l o v e rp r e v e n t i o nc o n t r o l l e r f o rh e a v yv e h i c l e sw i t hv a r y i n gv e l o c i t ya n dv a l u e so fv e h i c l ep a r a m e t e r sJ A r t i f i c i a l l i f ea n dr o b o t i c s,():于志新,宗长富,何磊,等基于T T R预警的重型车辆防侧翻控制算法J吉林大学学报(工学版),(S):李胜琴,杜鹏,冯新园微型客车防侧翻底盘集成控制策略J江苏大学学报(自然科学版),():康小鹏,董浩,祁传琦,等利用车辆状态估计的客车防侧翻控制J机械设计与制造,():L UY,HANY,HUANG W,e ta l S l i d i n gm o d ec o n t r o l f o ro v e r t u r n i n gp r e v e n t i o na n dh a r d w a r e i n l o o pe x p e r i m e n to fh e a v y d u t yv e h i c l e sb a s e do nd y n a m i c a l l o a dt r a n s f e rr a t i op r e d i c t i o nJP r o c e e d i n g so ft h ei n s t i t u t i o no fm e c h a n i c a le n g i n e e r s,p a r tK:j o u r n a lo fm u l t i b o d yd y n a m i c s,():姚嘉凌,李智宏,田松梅,等 HMM与神经网络相结合的车辆侧翻预警研究J机械设计与制造,():J I NZ,L IJ,HUANG Y,e ta l S t u d yo nr o l l o v e r i n d e xa n ds t a b i l i t yf o rat r i a x l eb u sJ C h i n e s ej o u r n a l o fm e c h a n i c a l e n g i n e e r i n g,:陈东乐重型车辆侧翻因素探讨J汽车实用技术,():廖聪,吴新烨,黄红武客车半主动悬架防侧翻模糊滑模控制J厦门大学学报(自然科学版),第期汪佳铭,胡明茂,师国东,等基于C NN L S TM的重型自卸车侧翻预警模型 ,():廖子文,宫爱红,胡明茂,等考虑货箱质心变化的重型自卸车举升侧翻分析J湖北汽车工业学院学报,():杨丽丽,田伟泽,徐媛媛,等谷物联合收割机油耗随机森林预测模型J农业工程学报,():樊家伟,郭瑜,伍星,等基于L S TM神经网络和故障特征增强的行星齿轮箱故障诊断J振动与冲击,():邢红涛,郭江龙,刘书安,等基于C NN L S TM混合神经网络模型的NOx排放预测J电子测量技术,():王同,许昕,潘宏侠基于多域信息融合与深度分离卷积的轴承故障诊断网络模型J机电工程,():徐展良基于高斯相互作用属性核相似性的长非编码R NA与环境因素关联关系预测研究D广州:华南理工大学,李婷基于时序C NN与稀疏光流的监控视频人车异常检测方法D武汉:武汉理工大学,R o l l o v e rW a r n i n gS t u d yo fH e a v yD u m pT r u c kB a s e do nC N N L S TMWANGJ i a m i n g,HU M i n g m a o,S H IG u o d o n g,Z HUT i a n m i n(S c h o o l o fM e c h a n i c a lE n g i n e e r i n g,H u b e i I n s t i t u t eo fA u t o m o t i v eT e c h n o l o g y,S h i y a n ,C h i n a)A b s t r a c t:I no r d e r t os o l v et h er o l l o v e rw a r n i n gp r o b l e mo fh e a v yd u m pt r u c k,b a s e do nt h eC NN L S TMn e u r a ln e t w o r k,ar o l l o v e re a r l yw a r n i n gm o d e l f o rh e a v y d u t yd u m pt r u c k s i sc o n s t r u c t e dt oa c h i e v e r e a l t i m ed e t e r m i n a t i o nu n d e r d i f f e r e n tw o r k i n gc o n d i t i o n s U s i n gT r u c k s i ma n dMAT L A B/S i m u l i n kj o i n t s i m u l a t i o n,ah e a v yd u m pt r u c ks i m u l a t i o nm o d e l i sb u i l t W i t ht h e l a t e r a l l o a dt r a n s f e r r a t ee q u a l t o a s t h e r o l l o v e r t h r e s h o l d,t h ev e h i c l eo p e r a t i n gp a r a m e t e r su n d e rd i f f e r e n tw o r k i n gc o n d i t i o n sa r ee x t r a c t e da n dt h ev e h i c l eo p e r a t i n gp a r a m e t e r sa r eu s e d T h eC NN L S TM h e a v y d u t yd u m pt r u c kr o l l o v e r e a r l yw a r n i n gm o d e l i s t r a i n e da n dc o m p a r e dw i t h t h e e a r l yw a r n i n gm o d e l sb a s e do nC NNa n dL S TMr e s p e c t i v e l y T h e r e s u l t s s h o wt h a t t h ep r e d i c t i o na c c u r a c yo fC NN L S TMh e a v yd u m pt r u c kr o l l o v e rw a r n i n gm o d e l i s ,a n d t h e a r e au n d e rR O Cc u r v e i s ,w h i c h i sh i g h e r t h a n t h e r o l l o v e rw a r n i n gm o d e lb u i l tb yas i n g l en e u r a ln e t w o r k I t i sc l e a r t h a t t h eC NN L S TMh e a v yd u m pt r u c kr o l l o v e rw a r n i n gm o d e lh a ss o m ea d v a n c ew a r n i n gs i g n i f i c a n c ea n d i su s e f u l f o rr e d u c i n gt h eo c c u r r e n c eo fh e a v yd u m pt r u c kr o l l o v e ra c c i d e n t s K e y w o r d s:h e a v yd u m pt r u c k;C NN L S TMn e u r a ln e t w o r k;l a t e r a l l o a dt r a n s f e rr a t e;r o l l o v e rw a r n i n gm o d e l;s i m u l a t i o n(责任编辑:王新亮)