基于改进BP神经网络的城市交通拥塞环境下车辆运行风险识别研究

交通拥塞在形成和消散过程中车辆运行风险均处于较高的水平,而拥塞环境下影响车辆运行风险的因素较多,分析复杂。如何准确识别城市交通拥塞环境下车辆运行风险的关键因素并对其进行评估,在缓解城市交通拥塞以及降低行车风险方面具有重要的意义。首先,将城市道路交通拥塞环境下车辆运行风险解析为拥塞形成过程和拥塞消散过程中的车辆运行风险。根据交通系统四要素"人、车、路、环境",初步选取换道频次、车型比例、拥塞时长等11个风险因子。其次,通过专家打分法将车辆运行风险等级划分为低风险、中等风险、高风险、极高风险。结合主成分分析法对标准的BP神经网络进行改进,并对模型进行训练。将改进前后的模型进行对比分析,改进后的模型拟合优度判定系数达97.13%,较改进前高出5.67%。最后,进行实例应用。采用改进的BP神经网络,建立了5+8+1模式的拥塞环境下车辆运行风险识别模型。研究表明换道频次、车型比例、平均密度、拥塞时长、拥塞等级、天气情况等6个因子对车辆运行风险影响较大,其中换道频次权重最高,其次为拥塞时长。11个影响因子中车头时距主成分系数平均值最小为0.109,其影响最小。建立的风险识别模型能够为规避城市道路拥塞环境下的车辆运行风险以及拥塞治理提供参考。