基于灰色聚类理论和人工神经网络技术的道路交通安全评价

在深入研究了道路交通安全的评价指标确定的基础上,提出了一种基于灰色聚类理论和神经网络技术的综合评价方法,并对神经网络输入、输出指标属性值的量化方法进行了讨论,建立了道路交通安全的BP神经网络评价模型.最后,介绍了该模型在各省道路交通安全评价中的应用实例.     

基于灰色聚类理论和人工神经网络技术的道路交通安全评价

在深入研究了道路交通安全的评价指标确定的基础上，提出了一种基于灰色聚类理论和神经网络技术的综合评价方法，并对神经网络输入、输出指标属性值的量化方法进行了讨论，建立了道路交通安全的BP神经网络评价模型．最后，介绍了该模型在各省道路交通安全评价中的应用实例．     

基于灰色关联度的道路交通安全管理设施多层模糊综合评价

分析道路交通安全管理设施在道路交通安全管理方面的作用,并结合专家意见建立多层评价指标体系,在此基础上,通过灰色关联度分析法确定多层指标体系的权重系数,应用模糊综合评价法对道路交通安全管理设施的实效性进行综合评价,并利用该模型对上海市某区的道路交通安全管理设施进行实例验证,结果表明,评价模型能够较为全面客观地反映道路交通安全管理设施的交通安全管理水平.     

基于层次分析法的道路交通安全综合评价研究

通过对道路交通安全相关因素的分析,建立道路交通安全综合评价指标体系,并提出基于层次分析法的道路交通安全综合评价方法．可为道路交通安全水平的科学评价提供理论依据。     

�Ľ��������·��ͨ��ȫ����DEA ����ģ��

为了科学评价区域道路交通安全水平,为制定更符合实际的道路交通安全发展战略和管理策略提供依据,利用复相关分析建立了区域道路交通安全评价指标体系;基于数据包络分析原理,在BC2基本模型的基础上,引入偏好信息,建立了面向面板数据、只有非期望输出、权重受限的道路交通安全广义DEA评价模型,并对中国等9个国家2000—2012年的道路交通安全水平进行了评价.研究显示,2000年以来,中国道路交通安全形势逐渐转好,但距国际先进水平还有一定差距,而且改善幅度逐渐放缓,应继续加强道路交通安全工作.通过与不同方法的对比,本文所建立模型的评价结果与实际符合性更好.     

基于主成分和聚类分析的区域道路交通安全综合评价

对我国省级区域的道路交通安全水平进行综合评价和分类,基于道路交通事故死亡与机动化水平等社会经济因素的相关性,构建了8个评价指标,利用主成分分析法将它们综合为3个主成分变量并评价了我国2006年31个省级区域道路交通安全水平;在此基础上,采用K-均值聚类分析法将31个省级区域的道路交通安全水平分为了3类.结果表明,我国省级区域的道路交通安全水平差异明显,社会经济发达地区的道路交通安全水平高于社会经济欠发达的地区.     

基于灰色关联度的模糊层次组合交通安全评价模型

道路交通系统的非线性、随机性、动态性及不确定性的特点,决定了作为道路交通系统行为特征量的道路交通安全评价的复杂性.采用灰色关联度变权的方法确定各评价指标权重;采用模糊综合评价法将评价者定性分析的结果定量化地组合模型进行交通评价.     

一种新的道路交通安全综合评价方法

本文通过分析道路交通事故特点和道路交通安全影响因素,选取能够反映交通事故数量及严重程度的客观评价指标,应用最小欧氏距离法对各项指标进行层次分析,确定其权重值,建立了一套由定量指标构成的道路交通安全评价体系.针对现有评价方法的不足,本文结合投影理论对道路交通安全状况统计数据进行综合分析,提出了一种新的道路交通安全综合评价...     

基于模糊综合评价方法的中国道路交通安全评价研究

以道路交通安全常用的五个评价因素即发生事故次数、死亡人数、受伤人数、经济损失和日均死亡人数,构建了道路交通安全评价的指标体系,采用德尔菲法和层次分析法确定评价指标的权重,结合中国2000～2010年的数据对中国道路交通安全进行了模糊综合评价.     

道路交通安全评价方法的探讨

本文针对影响交通安全因素多样性以及评价者思维方式多样性,利用神经网络等理论知识,建立综合评价模型,对道路交通安全评价方法进行探讨.     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

道路交通事故宏观预测模型

道路交通安全已成为全社会普遍关注的问题,为了对中国未来的交通安全形势作出科学准确的预测,分析了中国道路安全状况的评价指标和主要影响因素,以交通事故死亡人数作为评价指标（输出变量）,以机动车保有量、公路里程、人均GDP为输入变量（影响因素）,建立了基于遗传算法的神经网络道路交通事故宏观预测模型和BP神经网络预测模型．模型的训练利用1978～1998年的道路交通事故数据为样本;模型的检验利用1999～2004年的道路交通事故数据进行检验．模型对未来年份的死亡人数进行了预测．预测结果表明：基于遗传算法的神经网络模型比BP神经网络预测精度较高,网络泛化能力强;得出2010年和2020年中国的道路交通事故死亡人数值分别为13．9万人和16．7万人．     

基于BP神经网络的高等级公路交织区安全评价

分析了交通冲突数与其影响因素之间及交通冲突数与安全性之间的关系;以交通冲突数作为其影响因素与道路安全性之间的"转换器",提出了基于BP神经网络的高等级公路交织区安全评价模型;为高等级公路交织区安全评价开辟了新的途径。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

基于二流理论的宏观交通评价模型的建立

为研究宏观道路网络交通特性,以二流理论为基础,建立道路网络宏观交通特性的评价模型。该模型引入图论的分析方法,考虑可达性的评价指标和街道的实际交通情况,全面而抽象地描述城市道路网络路段与交叉口之间的关系,并给出道路网络宏观交通特性的评价指标,最后以一简单实例说明利用该模型评价城市道路网络宏观交通特性的过程。     

基于GA-BP神经网络算法和粗糙集理论的交通事故黑点模型

道路交通事故黑点的预测鉴别是改善道路交通安全状况最重要、最关键的一步,采用基于GA-BP神经网络算法与粗糙集理论相结合的方法建立交通事故黑点预测模型.分析天津市津围公路的交通事故统计数据,通过GA-BP神经网络算法建立静态单元,考虑静态道路状况,分析得出道路的事故黑点样本.考虑实时动态道路交通环境条件的影响,并利用粗糙集理论建立有效的交通道路事故黑点预测模型,2种理论的有机结合,减少糙杂繁冗的数据量,降低伪报警率,提高事故黑点的预报精度,并通过实例进行实证分析.