城市公路隧道的发展迅猛,但很多相关问题的研究仍处于起步阶段,公路隧道的智能监控系统是保证隧道正常高效运营必要条件,而本文所研究的隧道排水控制系统是公路隧道监控系统的重要组成部分。排水对象的形成过程具有强烈的非线性和空间变异性,其变化机理比较复杂难以认识清楚,故系统模型和非线性系统的识别方法是通常采用的方法,但是从理论到方法仍有许多需要完善的地方。传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测。本文在对城市公路隧道动态排水流量分析的基础上,提出了城市公路隧道排水流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.该方法能够更好的提高预测精度。同时,排水对象的形成过程是种不确性现象,已知初始状态不能确定未知,这些不确定性包括随机性、模糊性、信息不完全性(灰色性)和信息处理的不确切性。客观的不确定性主要有降雨、地形地貌、下垫面条件等的随机性和模糊性。这些客观上的不确定性导致了流量分析和模拟的主观上的不确定性,如计算模型、计算参数选定、计算的假定、计算简化、计算图示、信息描述、测量精度等。而模糊逻辑在描述事物的特征和我们认识不清楚的关系时相对于确定性方法表现出更大的优越性和科学性。神经网络模型进行流量预报时,由于通常样本中小流量占多数,模型对大流量的产流规律学习不够,导致流量预报往往偏小。为解决这个问题,考虑将流量预先进行分类,增加大流量样本的代表性。每一类建立一个神经网络模型,然后在此模型的基础上建立基于模糊推理的选择控制模型,新样本通过模糊规则库确定分类判别后进入不同的网络模型进行预报。与传统的排水控制系统相比,该系统的水泵运行节能效果非常明显。城市公路隧道排水神经模糊控制系统具有很强的可行性和实际应用价值,对目前公路隧道排水控制系统的设计具有重要的实用意义。