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。     

道路交通事故预测模型的构建与应用

介绍了基于多元线性回归分析和灰色理论的道路交通事故预测模型的构建,分析了道路交通事故预测模型在交通事故的预防和交通安全管理决策中的应用.     

道路交通事故次数组合预测模型

道路交通事故次数预测对于掌握未来交通安全状况,合理评价交通安全措施的可行性和实施效果具有十分重要的意义。利用我国道路交通事故次数的统计数据,分别采用灰色预测模型和历史序列拟合分析的方法建立事故次数的预测模型,针对两种模型的优缺点,采用相对误差倒数分配权重的方法建立组合预测模型,计算结果表明,组合预测模型在预测事故次数方面具有较高的稳定性和较好的预测精度,完全能够满足事故次数预测的要求。     

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．     

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.     

道路交通事故多层递阶预测方法

针对道路交通系统动态时变的特点，用多层递阶预测方法，建立了道路交通事故的多层递阶预测模型．将事故预测分解成对时变参数的预测和在此基础上对道路交通事故未来状态的预测两部分，通过对时变参数的精确预测提高事故预测精度．以1989—1999年我国某省道路交通死亡人数为原始数据建模，模拟结果显示，对2000-2001年的预测结果和实际道路交通死亡人数之间的平均误差为5．8％．     

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．     

通州市道路交通事故预测

利用江苏省通州市交警大队提供的交通事故数据资料,运用灰色系统预测模型法和多元线性回归预测法对其进行分析研究和预测,预测结果对加强苏省通州市的安全管理、改善其道路交通安全状况有一定的理论意义和实用价值.     

����ģ���߼��Ľ�ͨ�¹�Ԥ�⼰Ӱ�����ط���

交通事故预测对于提高交通安全管理水平具有重要意义,通过对传统交通事故预测方法的对比分析,提出了基于模糊逻辑的城市道路交通事故预测模型,并结合哈尔滨市133条主次干道的交通及交通事故数据对模型进行了训练及检验,最终确定了含有41条有效模糊控制规则的模糊逻辑预测模型。模型检验结果表明,应用模糊逻辑预测模型预测得到的事故数与实际事故数之间有很好的对应关系。因此,采用模糊逻辑理论进行道路交通事故预测具有一定的可行性。此外,依据模糊逻辑事故预测模型提出了安全改进因子的概念,可据此查明高风险道路上的突出事故影响因素,从而为改善交通安全提供合理建议。     

机动车驾驶员人为因素与交通事故危害性关联分析

机动车驾驶员人为因素是导致道路交通事故形成,并产生事故伤害的最主要原因。将区域道路交通事故的死亡人数、伤亡人数和直接经济损失等统计指标值作为参考数列,将不同驾驶员人为因素组成的道路交通事故统计次数作为比较数列,可以建立驾驶员人为事故因素与其危害性的灰色关联模型。结合实例,通过对灰色关联矩阵的定量化结果进行分析,可以评价驾驶员人为因素对不同类型事故危害性的影响,为有关部门采取有效的安全管理和预防对策提供参考依据。     

基于改进灰色预测法的乌鲁木齐市道路交通事故预测

交通事故预测是交通安全研究的重要内容,是提高道路交通安全水平的基础。为研究乌鲁木齐市道路交通事故发展趋势,在分析交通事故灰色特性的基础上,以乌鲁木齐市道路交通事故统计资料为基础,运用改进的灰色预测模型进行交通事故伤亡人数预测。结果表明,改进的灰色预测模型比传统灰色预测模型精度提高了74.98%。     

Research on Module of Drivers' Steering Reaction in Simulative Tail-crashing Environment

Study on drivers' reaction time in the traffic accident has attracted great attention of scholars on driving reliability and causes of accidents. By data collection through questionnaires and some static indexes of drivers, such as depth perception, attention centrality and attention assignment, as well as drivers' reaction time collected by using the driving simulator, the linearity regression model of drivers' reaction time has been constructed. Validity of the model can be checked up. It can be concluded that, at 95% confidence level, it reveals a linear relation between forenamed factors and reaction time. Qualification rate of the prediction is 79%. More attention should be paid on stochastic factors in the environment than ever as well as factors such as drivers' psychological state, driving experience, and age. This paper has offered an effective way to study drivers' reaction behavior in emergency.     

基于交通流量的城市交叉口事故预测研究——以广州市为例

通过对广州市天寿路交叉口高峰时段的流量调查及广州市的交通事故数据分析,发现北京市与广州市交通流量与事故数据存在相近性关系。应用线性回归分析法、事故率法建立北京市交通流量与交通事故数之间的一元线性关系模型,对广州市某交叉口的交通事故数进行预测分析。结果表明,在交通流量高峰时段,影响交通事故的最主要因素为交通流量,交通流量对于快速处理的事故影响作用大于一般事故;在交通流量相当小时段,交通事故存在着很大的偶然性,两者的关联度不高。     

基于GM(1,1)模型的道路交通事故预测

道路交通事故的发生虽具有偶然性,但也可利用预测理论的方法加以预测。在分析道路交通安全系统灰色属性的基础上,提出将道路交通事故作为道路交通安全系统行为特征量处理,运用灰色理论和方法来进行道路交通事故预测,在此基础上,建立了道路交通事故的GM(1,1)灰色预测模型,并通过实例验证了预测模型的适用性。     

Road Traffic Accidents Model and Its Application Based on Driver's Self-Mistakes

To improve the traditional analysis method of driver accident, the paper analyzes the cases of road accidents and survey data from the microscopic aspect. An accident causes model is formulated to describe the driver' own mistake characteristics and its relation with the road traffic accidents. The weights of key influencing factors are determined by the improved AHP method and its influencing level is quantitatively analyzed. The improved AHP method reduces the impact of subjective factors on the analysis accuracy. Results show that drivers' error rate of perception is approaching 50.2%, the error rate of judgment is 38.9%, and the operational error rate accounts for only 10.9%. The main factors cause traffic accidents are drivers' low abilities to perceive and judge risk and accident. The results provide the scientific basis for the drivers' self-mistakes and accident prevention.     

城市主干道路段机动车与机动车之间事故的Bow-tie模型

针对城市主干道路段上交通事故的成因、后果及主被动安全控制措施开展研究工作，基于多事件链原理并应用三角模糊数法，建立了城市主干道路段机动车与机动车之间事故的Bow-tie模型.基于Bow-tie模型中的故障树，确定出了主干道路段机动车之间事故的3条主要事故成因链，即追尾事故成因链、侧面碰撞事故成因链和刮擦事故成因链.Bow-tie模型中的事件树表明，驾驶员能够正确使用安全带但道路上无缓冲防撞设施且辖区内无紧急救援系统的事件链发生概率最高，达59.68%；驾驶员没有使用安全带且道路上无缓冲防撞设施时，事故发生后的事故严重程度都较高.针对3条事故成因链及2条事件链，给出了预防事故发生的防控措施和事故发生后可降低其严重程度的减缓控制措施.