道路交通事故死亡人数预测模型

为了对中国未来的交通安全形势做出科学预测,分析了中国道路交通安全状况的评价指标和主要影响因素,建立了以机动车保有量、人口、公路里程、客货运输周转量和国家控制力度为参数的道路交通事故死亡人数预测模型,并对1991～2004年各年的死亡人数进行了计算和未来年份死亡人数进行了预测。预测结果表明:预测模型精度高,平均预测误差为3.9%;得出2010年和2020年中国道路交通事故死亡人数的预测值分别为14万人和17万人,死亡人数由上升转为下降的转折点出现时间约在2010年到2015年之间。     

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.     

��������������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.     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性。另外,计算结果表明基于主成分分析（PCA）的BP神经网络法优于BP神经网络法。     

基于主成分分析的道路交通事故预测

将主成分分析和BP神经网络相结合的方法用于道路交通事故预测中,对影响道路交通事故的因素进行主成分分析,并将分析结果作为BP神经网络的输入数据,这样不仅可以减少输入变量个数,而且能保留原始变量的主要信息,消除变量之间的相关性.另外,计算结果表明基于主成分分析(PCA)的BP神经网络法优于BP神经网络法.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

我国道路交通事故相关指标预测及安全分析

建立基于回归预测模型对我国未来5年的交通事故相关指标及影响因素进行预测。根据预测的结果,来分析我国道路交通事故安全状况及潜在问题,并提出相应的对策。     

基于模糊神经网络的交通事故微观预测方法研究

道路交通事故微观预测包括对路段和交叉口事故指标的预测．本文总结现有预测方法的优劣性,探讨现有预测方法的改善方向,提出了基于模糊神经网络的交通事故微观预测方法,分析了网络结构和学习算法。以石河子市交通事故调查数据进行实例分析,选择路段事故影响因素作为输入变量,通过Matlab编程实现模糊神经网络的算法,并与负二项回归模型...     

道路交通事故灰色Verhulst预测模型

为提高道路交通事故灰色预测模型的预测精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。针对近年来中国道路交通事故表现为具有饱和状态的S形过程,建立交通事故Verhulst预测模型。Verhulst预测模型和GM(1,1)预测模型预测的2004年交通事故死亡人数分别为10.87万人和11.72万人,相对误差分别为1.49%和9.43%,可见Verhulst模型的预测精度明显优于GM(1,1)模型。     

基于BP神经网络的公交线路站点时段上下车人数预测模型

公交线路客流预测是公交调度优化技术的基础研究内容。通过对公交线路站点时段上下车人数主要相关影响因素的分析，并根据改进的BP学习算法，而建立的基于改进的BP神经网络的公交线路站点时段上下车人数预测模型．经哈尔滨市有关调查数据的训练与检验，证明具有较高的预测精度。     

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.     

基于支持向量回归机的道路交通事故预测模型研究

针对道路交通事故预测具有随机波动性较大、信息量较少和非线性数据序列预测的特点,引入支持向量回归机（SVR）,建立基于SVR的道路交通事故预测模型。通过实例计算,证明基于SVR的道路交通事故预测模型具备非线性、所需数据资料较少、建模简单和计算快捷等优点,同时与RBF神经网络预测模型相比,该模型的预测精度高、泛化能力强,更适用于道路交通事故预测。     

农村公路交通安全现状分析及保障技术

以河北省农村公路交通安全现状为例,分析农村公路存在的主要问题。从人、车、路和环境4个方面分析农村公路交通安全的影响因素。研究资料表明,导致交通安全事故因素中和路有关的因素约占30%。因此,通过分析农村公路交通安全设施设置现状,提出适用于农村公路交通安全的路侧防撞设施、交通标志、标线、错车道等交通安全设施的设置方式,进一步提升农村公路基础设施水平,改善农村公路交通安全现状。     

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。     

道路交通事故的灰色预测与黑点分析

以某市区为研究对象,分析该市区人口密度较高的三个区域交通事故现状,首先利用灰色预测法建立道路交通事故GM（1,1）灰色预测模型,对未来几年市区道路交通事故数进行预测;然后根据道路交通安全影响因素,研究市内三个区域交通事故黑点分布;最后基于人、车、道路、环境综合影响分析,结合事故类型和易发地点判定,找出道路交通事故黑点产生的原因,并根据具体情况提出相应防治措施,以期为城市交通安全管控提供依据．     

道路交通事故背景因素指标的采集和统计分析

提出了事故背景因素的概念,建立了背景因素量化指标体系及其采集数据项;并提出了构建背景因素数据库的设计思路,建立了符合我国道路交通事故分析模式的交通事故背景因素数据统计分析系统,以便把握道路交通安全的整体状况和发展趋势,找出造成事故的主要背景原因,提炼安全对策,为道路交通安全措施提供科学依据和指导。     

道路交通安全综合评价的人工神经网络方法

为了提高评价的准确性,采用人工神经网络技术,建立了基于BP神经网络的道路交通安全综合评价模型.通过有效样本的学习,应用该模型,实现了对道路交通安全专家知识和经验的提取和存储.仿真实例验证了基于人工神经网络的道路交通安全综合评价模型的合理性和有效性.     

基于AHP的城市道路交通安全评价指标体系

从宏观和微观上分析影响城市道路交通安全的因素,针对现有道路交通安全评价指标中存在的因素单一、指标量化难等问题,合理选取评价指标,构建对比同一城市不同路段(交叉口)安全状况的道路交通安全评价指标体系。运用层次分析法确定出各评价指标的权重,分析结果可用于城市道路交通事故多发点的鉴别。     

中国城市道路交通安全特点解析

由于中国正处于机动化、城镇化快速交织发展时期,城市道路与公路交通安全的发展特点不同。针对城市道路交通安全特点,基于2007—2016年城市道路交通事故和交通违法数据,兼顾时序规律和空间规律,梳理归纳城市道路交通安全发展的阶段性特征。进而解析城市道路交通安全特点的形成原因,探讨道路安全与道路设施、出行方式、出行行为之间的内在联系。最后,针对城市道路交通事故发生时间、交叉口和非机动车道交通事故回升、电动自行车交通事故骤增、货车夜间交通事故多发、行人交通事故伤亡数居高、老年群体交通安全风险升高等特征,分别提出推进交通安全管理的对策建议。     

交通事故现场安全性综合评价

为了研究交通事故现场安全性,避免二次交通事故的发生,建立了交通事故现场安全性评价指标体系,准则层为人因因素、车辆因素、道路与环境因素和管理因素4个指标,决策层共15个指标. 为了统一各评价指标的度量标准,分别采用隶属度和无量纲化函数对定性和定量指标进行无量纲处理,将各属性值变换到［0, 1］范围内. 再将处理结果作为学习样本,进行神经网络训练. 最后以典型交通事故现场有关参数的实测值输入三层BP神经网络评价模型,对交通事故现场安全性进行评价,评价结果为0.5584,安全性等级为一般. 实例应用结果表明,选取的评价指标合理,评价结果客观