基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.      

基于采样技术和机器学习算法的交通事故严重程度预测

针对交通事故数据中人员伤亡严重程度的不平衡性,本文结合采样方法以及类别组合方法,改善数据的不平衡性,提高其在机器学习算法中的预测效果。本文首先分别使用了随机过采样、随机欠采样、Smote(Synthetic Minority Over-sampling Technique)采样算法对数据进行处理,然后使用三种分类算法,即决策树、随机森林和adaboost,对事故严重程度进行预测,并采用类别准确率以及几何平均值作为评价指标对比分析分类算法的性能。此外,本文还对五分类问题转变为三分类问题进行研究。结果表明,采样算法可以显著提高不平衡事故数据中少数类的预测准确率;在五分类问题中,使用随机森林和随机欠采样的组合预测效果最优,该组合在三分类的交通事故严重程度预测中也取得了最优的效果。     

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测，以相关系数法和极限学习机为理论基础，构建隧道涌水量预测模型。首先，结合工程实例对隧道涌水的影响因素进行分析，并利用相关系数法分析各因素与涌水量之间的相关性，以筛选出重要影响因素；其次，将筛选出的重要因素作为预测模型的输入层，并利用试算法和经验公式优化极限学习机的模型参数，再利用M估计弱化预测误差，进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多，包括5类一级因素和12类二级因素，不同因素对隧道涌水灾害的影响程度存在一定差异； 2）R-ELM模型预测结果的平均相对误差仅为1.12%，具有较高的预测精度，不仅验证了模型参数优化和M估计优化的有效性，也验证了R-ELM模型在隧道涌水量预测中的适用性。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

基于部分优势比的公路隧道交通事故严重程度分析模型

为了明晰公路隧道交通事故严重程度的影响因素,在分析了16条公路隧道3年内发生的296起交通事故的空间特性、事故形态及其发生原因的基础上,以交通事故严重程度为因变量,将其分为仅财产损失、轻伤、重伤或死亡事故3个等级,从人、车和隧道行车环境3个方面选择了14个交通事故严重程度的潜在影响因素,分别采用有序Logit模型和部分优势比模型建立交通事故严重程度分析模型,并采用Brant检验判断比例优势假设。研究结果表明：与公路隧道交通事故严重程度显著相关的有4个自变量,分别为是否涉及大货车、事故涉及车辆数、事故发生时间和天气因素,其中是否涉及大货车、事故发生时间和天气因素3个自变量满足比例优势假设,而事故涉及车辆数不满足比例优势假设;对于部分优势比模型来说,涉及大货车的事故发生轻伤事故、重伤或死亡事故的概率比不涉及大货车的事故分别增加10.2%和3.4%,多车事故发生轻伤事故、重伤或死亡事故的概率比单车事故分别增加1.9%和5.9%,夜间发生轻伤事故、重伤或死亡事故的概率比白天分别增加5.6%和1.7%,非雨天发生轻伤事故、重伤或死亡事故的概率比雨天分别增加4.5%和1.5%。     

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯（Bayes）优化长短期记忆网络（LSTM）的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络（CNN）和支持向量回归（SVR）进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。     

国内公路隧道运营期交通事故统计及伤亡状况评价

为更好地了解我国公路隧道运营期交通事故整体特征及伤亡状况,对2001-2017年国内发生的121起公路隧道交通事故开展统计分析,分别从事故发生的地理位置、事故发生时间、事故类型、事故车辆类型以及伤亡情况进行统计分析。结果表明： 1)事故发生量与该地区公路客货运输量成正相关,但西北地区和华南地区事故量占比远大于其交通运输量的占比; 2)事故类型以车辆相撞为主,且轿车发生的事故数量最多; 3)每年1、4、5月的事故发生量较多,每天16:00-18:00事故发生率最高; 4)中隧道（500 m<L≤1 000 m）的事故平均伤亡人数最高。最后结合交通事故伤亡情况等级划分,分析各因素对事故伤亡影响权重,得到造成伤亡的最不利组合为“特长隧道+货车+追尾事故”。     

城市道路隧道与公路隧道的运营风险差异分析

为分析城市道路隧道与公路隧道的运营风险差异，通过运营隧道调研和交通事故数据收集，从隧道本体结构及设施、外界环境、交通特性3方面出发，对城市道路隧道与公路隧道的运营风险进行阐述和对比分析。分析得出： 1）与公路隧道相比，城市道路隧道在结构方面的运营风险较大； 2）城市道路隧道车辆发生重大交通事故的概率较公路隧道低，但对城市交通的影响使其社会风险较高； 3）在城市道路隧道运营风险的防控过程中，应当重点考虑周边环境扰动对于结构安全的影响和运营交通事故所造成的社会影响。     

公路隧道内交通噪声预测

为合理预测公路隧道内交通噪声传播状况,界定了公路隧道内的长空间声场特性,系统阐述了3种基于像源理论的交通噪声预测模型,通过在实体隧道中测定声源分别为低频和高频、接收者在不同位置时的噪声值,并将其与三种理论模型预测值进行对比,结果表明:相干模型在低、中、高频范围内比不相干模型和ASJ模型能更精确地预测隧道内噪声传播状况,其预测值与实测值误差在2dB左右;而不相干模型和ASJ模型仅可用于预测高频段时噪声的平均值。可见,相干模型是预测以中低频为主的公路隧道内交通噪声传播的合理模型,该预测模型可用于进行公路隧道内降噪优化设计。     

基于经验贝叶斯法的道路事故预测分析研究

传统事故预测模型存在对原始数据的序列性、分布性等方面高要求,以及预测精度的不足,利用经验贝叶斯法对先验信息（原始事故数据）进行调整,得到后验信息以形成更好的预测效果。就交通事故数据进行事前与事后累计统计分析,并对比其他预测模型证明经验贝叶斯法的预测结果更接近实际情形,基于经验贝叶斯法的此类模型可以提高小样本数据预测精度。     

道路交通事故与车速建模

对国外高速公路的事故率与运行车速进行综合分析，阐述高速公路上基于运行车速的预测交通事故率的前期研究方法，在前期研究方法的基础上，将速度和速度两个自变量同时加以考虑，弥补了前期事故率模缺少影响因素的缺陷，并就其影响因素和控制参数展开分析；介绍新的高速公路事故率预测模型，对如何建立交通事故伤亡模型提出建议。     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

基于一种组合新模型的翻车事故严重性预测

由于近年来发生在高速公路上的翻车事故较多,且预测翻车事故严重性的文献较少,故通过一种组合新模型来预测翻车事故的严重程度。通过收集的2012年—2016年1 939起高速公路翻车事故数据,采用Logistic回归与朴素贝叶斯组合的新模型作为翻车事故严重性的预测方法。为了进一步验证组合预测模型的优越性,构建了朴素贝叶斯预测模型和Logistic回归预测模型。对比这3个预测模型的预测数据正确率值,表明组合预测模型效果更好。同时,11个候选变量经过单因素分析和多因素分析,选出7个显著性变量:驾驶员年龄、事故涉及车型、事故涉及车辆数、事故发生时段、天气条件、事故是否发生在匝道、肇事车辆是否超载超限。当相应道路或环境条件得到改善后,组合预测模型有助于道路管理者了解翻车事故严重程度可能的变化情况;当出现一起翻车事故时,可根据已知的有限信息利用组合预测模型预估事故严重程度,以便开展后期救援。     

上海市二级公路事故风险等级预测模型及致因分析

随着上海市规划建成区不断向郊区扩大,原有的二级公路很多转变为过境和集散功能兼具的城镇化道路。现收集了2017年上海市33条典型二级公路的历史事故数据和路段基础设施数据,对事故率进行了负二项分布拟合,拟合通过了K-S检验,以事故率为初始因变量,道路基础设施属性为变量,构建二级公路事故预测模型。将事故率进行风险等级划分作为最终因变量,构建事故风险等级预测模型。该模型训练集预测整体准确率为90.3%,测试集预测准确率为89.3%。通过模型结果对上海市二级公路事故致因进行分析,发现:路面宽度、人非隔离形式、机非隔离形式、接入口密度和机非分隔带开口密度对事故风险有显著的影响,应作为设计和管理中的控制对象。     

东马各庄隧道运营安全仿真评价分析

高速公路隧道是高速公路上的特殊路段,属交通事故多发段,一旦发生交通事故,道路通行能力将降低。对隧道运营风险的识别和评估不全面,将导致无法有效降低运营风险,加剧隧道事故危害。文中以张涿(张家口—涿州)高速公路东马各庄隧道为例,借助VISSIM交通仿真软件建立公路隧道及交通事故模型,通过隧道运营安全因素分析,从交通流、交通量、持续时间等方面分析隧道内交通事故对隧道通行能力的影响,以更大程度实现高速公路隧道安全行车。     

基于径向基神经网络的高速公路交通事故影响因素分析

为实现多重因素作用下的高速公路交通事故分析，基于径向基神经网络理论建立交通事故预测模型，综合考虑道路线形（圆曲线半径、转角、纵坡）、交通组成（自然交通量、折算交通量、货车率）及路面技术状况指标（PCI、RQI、RDI、SRI）三类因素，对某高速公路2018年—2022年的交通事故进行建模训练，并分析各因素对诱发交通事故的贡献。结果表明：径向基神经网络用于预测交通事故，可行性强、准确率高（91.6%）；相较于线形指标而言，交通组成与路况指标对交通事故影响较大；各因素对诱发交通事故的贡献排序为自然交通量>SRI>折算交通量>RDI>货车率。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65 000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8 000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30.746 3%,分类回归树的误差平均值为29.519 7%,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

公路隧道交通流预测模型研究

在公路隧道前馈式通风控制系统中，需要对下一控制周期内的交通流进行在线预测。针对公路隧道交通流的特点，分别建立了神经网络预测模型和模糊逻辑预测模型，并采用仿真手段对它们的预测效果进行测试。测试结果表明，神经网络预测模型对正常交通流的预测精度较高，而模糊逻辑预测模型则对异常交通流的预测精度较高。