��������ʻԱ�������¹�����ģ�ͼ�Ӧ��

为改进传统的驾驶员差错事故分析方法,探索机动车驾驶员差错事故致因分析的新途径. 本文基于道路交通事故案例与调研数据资料,从微观角度分析机动车驾驶员自身差错事故,建立了驾驶员自身差错交通事故致因模型;运用改进的层次分析法确定了导致驾驶员自身差错事故发生的主要影响因素权重,减少了主观因素对分析精度的影响. 结果表明,在机动车驾驶员自身差错交通事故中,驾驶员感知差错率占50.2％,判断决策差错率占38.9％,操作差错率仅占10.9％. 机动车驾驶员感知和判断能力较差是导致交通事故发生的重要因素. 研究结果可为机动车驾驶员事故预防与控制提供科学依据.     

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。     

驾驶员血液中乙醇浓度(BAC)与交通事故相关性研究

酒后驾车是引起交通事故的重要原因。通过科学的血液乙醇浓度（BAC）测试和驾驶能力分析评价,研究探讨BAC对驾驶员驾驶能力的影响及其与交通事故的相关性,并借鉴国外成功经验对国内道路交通领域立法提出了几点措施。     

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。     

��������������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.     

灰色马尔可夫模型在交通事故预测中的应用

采用传统灰色GM(1,1)模型预测道路交通事故这类随机性、波动性较大的数据,存在拟合较差、精度不足等问题。运用马尔可夫模型对预测结果进行优化,并建立灰色马尔可夫预测模型。将该模型应用于1998~2007年全国道路交通事故数据来预测2008年事故次数,结果表明采用该模型预测精度达到96.9%,明显优于单独使用GM(1,1)模型的预测结果。     

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.     

基于道路因素的交通事故特征分析

鉴于道路因素在交通事故诱因中的重要作用,针对真实交通事故进行统计分析对改善道路交通安全具有重要意义。与以往单一事故率评价指标所不同,分析交通事故的多个特征,得出道路因素中的道路等级、路面结构、照明爷件、道路限速、道路饱和度等因素与交通事故之间的内在联系,以期为改善道路建设和预防交通事故提供有价值的参考。     

基于水波原理的城市道路交通事故影响分析

城市道路交通事故影响已有研究成果主要针对交通事故影响范围和持续时间,且研究方法为基于流体力学的交通流理论。该理论假设交通流处于密闭空间,而城市道路网络出入口、节点甚多,假设与实际情况不符。城市道路交通事故对交通的影响效果与涟漪现象一致,因此采用水波原理定量分析城市道路交通事故对交通的影响程度。首先将城市交通事故对交通的影响与水面受到干扰的涟漪现象进行对比分析。在此基础上,提出交通影响系数概念,利用调研所得车速数据绘制交通影响系数特征曲线;利用SPSS软件,借助水波波动方程,构建交通影响系数随时间的关系模型。结果表明,模型拟合度较好,具有统计学意义。     

道路交通事故成因分析

纵观道路交通事故发生的原因,除了与道路的使用者——人的因素、道路上行驶的车的因素有关外．还与道路本身的因素、道路交通环境因素有关,只有注意了以上这些因素才能达到预防交通事故的目的。     

基于系统论的道路事故多发点成因分析

已有的道路事故多发点成因分析方法存在着不同程度的局限性。为了有效地消除道路事故隐患路段,以系统论基本理论为基础。研究道路交通系统各组成因素相互作用诱发事故的机理,以找到诱发事故的深层次原因。这种方法在工程中的应用情况表明是可行的。     

支持向量机在道路交通事故预测中的应用

通过对道路交通事故相关指标的分析,选取万车死亡率、十万人口死亡率作为指标集合,建立的基于支持向量机的道路交通事故预测模型,经10年的道路交通事故相关数据的训练和测试,其准确性得到了验证。     

福州市道路交通事故灰色预测模型的构建与实现

分析了GM(1,1) 模型和Verhulst模型的特点和适用场合,针对福州市道路交通事故呈现S形状态的波动过程,建立了灰色Verhulst预测模型.对福州市1995～2004年的道路交通事故进行实例分析,verhlst预测模型和GM(1,1)预测模型的平均相对误差分别为11.9%和33.0%,可见Verhulst模型的预测精度明显优于GM(1,1)模型.     

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．     

道路交通事故对策探讨

本文基于对四川、云南、贵州、广西、甘肃、新疆、西藏、浙江、河南、辽宁等11个省的道路交通安全问题调研,提出交通事故周期性特点及机理,并阐述交通发展阶段性论点．针对不同发展阶段提出不同的交通安全管理目标及对策,特别是对同时存在于三个阶段的交通安全问题的如何分级管理问题,将传统的事故后治理的机制转变为事故前预防的工作机制,并辅以交通安全评价体系、交通安全保障体系和事故救援体系,实现交通安全管理工作各环节的无缝衔接,提高交通安全管理的实效性．     

���ڸĽ�BMLģ�͵Ľ�ͨ�¹���·����ͨ����״̬����

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

基于BP神经网络的沙漠公路交通事故预测模型

介绍人工神经网络理论,论述BP神经网络的模型结构与原理,利用BP神经网络构建了交通事故预测模型,用MATLAB语言编写了相应的程序,并给出了模拟与预测的结果。模拟结果表明,构建的BP神经网络预测模型是成功的、有效的。     

基于改进BML模型的交通事故下路网交通运行状态分析

针对BML模型在分析交通事故对路网交通运行状态影响方面的不足,考虑事故发生时车辆为回避阻塞点而改变行驶路径等行为,对BML模型中事故点前车辆的行驶规则进行改进,使之与实际车辆的驾驶行为更加接近. 在改进模型的基础上,分别就路网交通流密度一定时,事故点数量变化对交通流平均速度的影响;事故点数量一定时,路网交通流密度变化对交通流平均速度的影响;事故点前各格点车辆转移概率对交通流平均速度的影响;车辆在事故点前各格点的转移概率分布函数不同对系统运行状态的影响等四个问题进行模拟研究,通过对模拟结果进行分析,得出了一系列有意义的结论.     

基于改进VGG模型的低照度道路交通标志识别

针对低照度情况下道路交通标志图像亮度偏低、饱和度过高、图像模糊、识别不精确等问题,提出一种基于膨胀卷积-VGG(dilated convolution-VGG,DC-VGG)模型的道路交通标志快速识别方法.首先,运用限制对比度直方图均衡算法(contrast limited adaptive histogram equalization,CLAHE)对图像H(色相)S(饱和度)V(色明度)空间中的V通道均衡化,实现低照度图像亮度增强;其次,在HSV空间中设定阈值分割出指定色彩,通过轮廓检测定位交通标志;然后,基于深度卷积对抗神经网络(deep convolutional generative adversarial networks,DCGAN)对真实的交通标志图像进行数据样本增强,以提高分类模型的鲁棒性;最后,提出DC-VGG轻量化模型实现交通标志快速识别.经验证,该方法达到94.12％的识别准确率,且能在硬件不佳的条件下实时检测.     

基于自组织理论的道路交通拥塞自疏散模型研究

为了进一步探讨道路交通拥塞控制方法,以及为缓解这一社会性问题提供理论及模型依据,完善道路交通拥塞控制研究的理论框架,本文以定性与定量相结合的研究方法,在分析道路交通拥塞演变过程（即道路交通拥塞的形成及消散过程,整个过程包括从自由流状态过渡到拥挤状态再到堵塞状态,逐渐消散到拥挤状态,最后达到畅通自由流状态)的基础上,通过对实地调查路段及交叉口交通流参数分析,得到道路交通拥塞演变过程中交通流量及车辆跟驰特性呈泊松分布,进而根据自组织理论中的协同学理论,确定交通拥塞序参量,并基于最短行程时间和Dijkstra 算法中的最优路径选择方法,建立道路交通拥塞自疏散模型.通过对模型进行应用分析,验证了模型的有效性.本文研究成果对于缓解道路交通拥塞,提高道路交通系统服务能力和运行效率具有一定的理论意义和实用价值.