基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（B...     

一种用于道路交通预测的时空图卷积模型

准确而实时的交通流量预测对成功的交通管理与控制变得越来越重要。然而,传统的基于流量数据的预测仿真方法缺乏对复杂道路网络拓扑关系、交通情况随时间的不稳定变换、天气条件变化等时空依赖关系的考虑。为了获取这些时空关系对于交通流量的影响,基于图卷积模型(GCN)与长短期记忆模型(LSTM),搭建一种基于神经网络的交通流量预测方法,即时空图卷积模型。图卷积模型用于学习道路的复杂拓扑结构,来获取空间依赖关系;长短期记忆模型则用于学习交通数据(流量,天气,事故等)随时间的剧烈改变,来获取时间依赖关系。实验数据显示,时空图卷积模型可以获取道路交通的时空依赖关系,该模型的预测精确度高于传统的交通流量预测方法,也高于不考虑时空依赖关系的其他机器学习预测方法。     

道路交通安全研究的现状与热点分析

道路交通事故的产生对民众的生命安全和财产损失影响巨大,国内外学者在该方面进行了大量的研究。为了整体把握道路交通事故研究热点及发展趋势,从中国知网(CNKI)核心期刊数据库和Web of Science核心合集数据库选取了2000—2020年与道路交通事故相关的3 943篇文献为数据源,借助CiteSpace和VOSviewer文献计量软件平台从文献分布特征、关键词共现、关键词聚类、关键词突现等方面进行分析,并在此基础上从事故黑点鉴别与影响因素分析、事故安全评价与事故预测、事故伤害(RTI)的流行病学研究和预防、事故处理与安全管理、事故仿真与驾驶行为分析这5个研究方向分析道路交通安全的研究趋势与热点问题。研究表明:①从作者合作方面分析发现道路交通事故研究具有多学科交叉性质;②对关键词共现分析发现国内外期刊关键词共现类别基本一致,说明国内外对道路交通事故方面的研究具有较强的一致性;③数据分析发现当前研究还存在实时交通事故评价手段欠缺、道路交通伤害数据结构不统一、事故仿真模型的通用性与有效性有待于进一步提高等问题;④从研究趋势的演进来看,未来的研究趋势主要集中在道路交通事故侵权责任研究、道路交通事故对道路通行能力的影响等方面。      

基于道路线形的智能汽车事故多发路段预判模型

分析了道路线形对智能汽车行驶安全性的影响,分别使用数据驱动的机器学习方法和模型驱动的经典数学建模方法,建立了以道路线形技术指标为输入的神经网络模型和多元数学模型,预测事故多发路段;计算了各个道路线形技术指标与事故率之间的偏相关系数,从中挑选出与事故率相关程度较大的道路线形特征,使用T检验和F检验验证了道路线形特征组合和...     

基于数据可视化的短时小数值交通事故的描述及成因推理

交通事故是小概率随机事件.在特定时间空间内某些类型的交通事故指标通常是相对较小的数字.应用传统的针对连续变量的方法(例如广义线性模型)对其进行分析和预测,通常由于数值小,随机性及起伏波动大而无法获得统计显著的结果;而采用传统的针对离散变量的方法(例如罗基模型)进行分析和预测,则又由于其分类数值太多而难以实现.本论文探讨以数据可视化方法来解决这种短时、小数值交通事故数据的描述及推理分析的问题.基于加拿大某城市的交通事故与天气数据,本论文探索使用一系列的"数据可视化"方法,例如数据分解、彩色散点矩阵图、三维散点图等,描述事故相关要素及其互动规律.在此基础上,进一步应用图形模型作为成因推理的手段,以完成推理性的数据可视化分析,藉此分析造成交通事故的成因要素、各要素的关系结构以及要素对事故的数量化影响程度.这一研究解决了在短时、小数值背景下对于交通安全状况进行精确描述及成因分析的问题,其成果可直接应用于交通安全管理、交通执法、道路养护等多个领域中的实时安全管控、安全治理措施的预案制订与效果评估等实际工作之中.     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

中国和美国道路交通事故数据对比研究

采集了中美两国近十年的道路交通事故数据,通过对比分析发现我国交通事故死亡人数指标一直占居世界前列,在近三年才趋于下降态势,而美国道路交通安全的各项指标在世界范围内均处于最佳状况,交通事故死亡率指标在近十年基本一直处于稳定下降水平。究其原因在于美国成立了专门的道路交通事故研究机构,从不同角度对道路事故数据进行全面交叉分析,且及时将分析结果反馈运用于事故预测的各个方面,进而达到预防减灾的目的。该研究可为我国道路交通安全提供一定的参考和借鉴。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

基于BP神经网络的道路交通安全预测模型研究

为了研究影响道路交通安全的因素与事故之间的内在关系,选取对道路交通安全影响相对较大的10个因素作为研究对象,利用 SPSS软件对其进行相关性分析,建立 BP 神经网络模型,对道路交通安全进行预测分析;选取1997-2010年数据作为训练样本,对2011年交通事故中的事故次数、死亡人数、受伤人数及综合死亡率进行预测,经过验证,其预测精度在6%以内,满足应用要求,可为道路交通管理等相关部门制定安全预防措施提供一定依据。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

老城区道路安全改善措施优选方法

基于某老城区代表性路段几何特征和交通流特征的调查数据及相应交通事故资料,运用灰色关联分析理论确定影响因素与道路交通事故率的绝对和相对关联度,提出道路改善措施优先顺序;为验证上述分析的正确性,运用Pearson相关分析和多元逐步回归分析,建立了事故率与高相关因素之间的简单多元回归模型,利用该模型预测改善后道路安全水平。     

浅谈道路交通事故信息采集及再现分析系统

对道路交通事故信息进行实时采集和分析,研究交通事故的人—车—环境的特性、交通事故的发生规律与影响因素,对预防和减少事故伤害具有十分重要的现实意义。文章主要介绍的是同济大学在上海嘉定区建立的道路交通事故信息采集系统尝试,及事故再现分析的主要工作流程。     

基于线形指标的山岭重丘区高速公路事故预测模型

依据我国山岭重丘区高速公路几何线形和交通事故数据,建立了基于交通流量和几何线形指标的高速公路基本路段事故预测模型.首先,基于几何线形条件对基本路段进行了划分,确定了路段单元.其次,分析并确定了理想线形条件的范围,建立了理想线形条件下的基本事故率预测模型.再次,应用BP神经网络与敏感性分析相结合的方法,确定出了对事故发生有突出影响的道路纵坡、平曲线半径和直线段长度3个线形指标,并确定了上述线形指标的事故率修正系数.依据基本事故率预测模型及事故率修正系数即可进行事故预测.模型验证结果表明:该模型能够对路段单元进行事故预测,事故总体预测值与实际值的相对误差在-5.85％～-7.87％之间.     

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。     

基于广义线性模型的干线公路交通事故预测

为掌握干线公路交通安全状况,探究影响其事故发生的显著影响因素,收集国道主干线昌金(昌傅—金鱼石)高速公路K905—K982段2010年发生的240起交通事故数据和交通流数据,按照定长法对路段进行划分,共获得77个样本路段,建立了基于广义负二项线性回归的干线公路事故预测模型,并引入弹性系数概念对影响因素的影响程度进行量化分析。结果表明交通量、道路平均占有率、大车比例和速度标准差对干线公路交通事故的发生影响显著,且均与之呈正相关关系;应用该模型对该路段2011年事故数进行预测,总体相对误差为7.6%,预测精度满足要求。     

四路信号控制交叉口交通事故预测模型研究

通过对北京郊区四路信号控制交叉口进行实地调查,在获取事故数据及道路几何要素、环境要素、交通流要素等大量数据的基础上,利用相关性分析寻找出与交通事故相关性显著的影响因素,并采用AIC原则分析法确定模型形式,分别建立了四路信号控制交叉口死亡人数、受伤人数、事故次数预测模型。模型的建立有助于对交叉口进行安全分析诊断及预测交叉口的交通事故发生规律。     

道路因素对典型较严重道路交通事故严重性的影响分析

基于道路交通事故数据探究事故影响因素对于认识事故的影响因素、提高交通安全水平具有重要意义。利用近年来国内典型较严重道路交通事故数据,应用泊松模型和负二项模型,以区分事故形态的方式建立追尾事故、侧碰事故及撞行人事故的事故死亡率的道路影响因素分析模型。这些模型以三类事故中涉及人员的死亡数为因变量,以一系列道路因素为自变量,将事故涉及人数作为偏移变量。模型的具体形式以过离散系数及赤池信息量准则(AIC)为依据进行选择。结果显示,追尾事故的死亡率与道路等级、路侧防护设施显著相关;侧碰事故则与天气、路表情况、路口路段位置、坡度以及道路结构有关;撞行人事故与路表情况、道路等级、车道数、平曲线半径有关。本文拓展了事故严重性研究的深度,其研究成果对于更好地利用重特大事故的深入调查数据有现实意义,也可为事故分析及道路设计等提供借鉴。      

我国道路交通事故统计指标体系问题探讨

道路交通事故统计是一项基础性工作.道路交通事故统计指标是道路系统采集交通事故信息的依据,它对一系列道路安全工作的合理进行起着决定性作用.为此,针对我国道路交通事故统计指标体系中存在的统计指标数据的遗漏、统计指标口径不一致、道路交通事故严重程度的量化及交叉口、路段事故的鉴定、事故形态等问题进行了探讨.     

基于GIS的道路交通事故黑点分析处理系统研究

事故黑点分析处理是道路交通安全管理过程中的一个重要环节.文中结合我国道路交通安全管理中的事故黑点分析工作实际,在用户需求和功能需求分析基础上,提出了基于GIS的道路交通事故黑点分析处理系统的总体设计方案,并对道路交通安全多维信息管理技术、系统数据库技术和基于GIS的事故黑点分析技术等进行了研究.     

利用模糊神经网络预测道路交通事故损失

本文利用模糊神经网络系统的特性，分析道路交通事故损失与交通事故次数，死亡人数和受伤人数之间的关系，提出了模糊神经网络预测道路交通事故损失的方法。