道路交通事故的神经网络预测方法研究

指出了预测对道路交通安全性的重要意义以及传统预测方法存在的缺陷;运用神经网络建立时间序列的道路交通事故预测方法,克服了传统预测方法必须事先构造函数的不足之处。分析表明, 该方法的预测精度较高。     

基于径向基函数神经网络的交通事故预测

基于径向基神经网络强大且准确的非线性关系映射能力,将其应用于交通事故预测中,获得了较高的预测精度。同时,与BP神经网络预测结果的对比表明,径向基神经网络预测方法明显优于BP神经网络预测方法。     

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...     

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。     

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．     

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．     

基于道路标线的交通事故现场摄影测量研究

论述了基于普通相机的交通事故现场测量技术基本理论,提出了一种利用道路标线作为标定参考物的新的标定方法,在小波多尺度边缘检测基础上,利用Harris角点提取对图像进行分析处理,对影响摄影测量精度的有关参数进行了简要描述,对一个实际事故现场的部分数据进行了分析,验证了设计的算法。     

道路交通事故预测中的灰色预测GM(1,1)模型

针对交通事故发生的特点，探讨了灰色模型GM(1，1)在道路交通事故预测中的具体应用，介绍分析道路交通事故的灰色性的基础上，建立了基于灰色预测理论的GM(1，1)模型，并用其分别对道路交通事故的死亡人数、交通事故量进行了预测，其结果是可信的。GM(1，1)模型是最常用的一种灰色模型，它对于“不确定问题”的研究的主要意义是通过信息覆盖，构造生成序列的手段来寻求现实现象中存在的规律，可以相对减少对历史数据的依赖性和“少数据建模”的特点。它尤其适合于交通事故预测这样“小样本”的随机不确定问题。     

我国近期道路交通事故发展趋势分析与预测

在讨论发达国家交通事故发展变化规律及我国道路交通安全现状的基础上,对我国近期交通安全形势进行分析,并采用灰色系统理论对我国未来五年的交通事故总量进行预测。对于提高道路安全水平具有积极的意义。     

��������������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.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

������������֯������Ⱥ�Ľ�ͨ��Ԥ��

为了提高城市交通流预测神经网络方法的快速动态学习能力,提出了一种生长自组织神经网络群,将复杂的神经网络个体分解为多个训练简单的神经网络群组,并利用设计的动态生长自组织算法来避免神经网络在学习新知识的时候对已有知识造成破坏,同时保持整个群工作的高效稳定,规模不过度扩张.该神经网络群尝试解决神经网络的一次性学习问题,具有动态知识增殖学习能力和更强的错误自修复能力及系统适应灵活性.仿真结果表明,这一方法能够更精确地实现函数逼近和城市交通流自适应动态预测,适用于需要不断快速动态学习的复杂系统.     

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。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

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。     

城乡接合部道路交通事故辐射范围分析

为合理确定城乡接合部道路交通事故的影响范围,以重力模型为基础,构建城乡接合部影响带模型。分析城乡接合部道路交通事故辐射范围的4个影响因素：交通流特征参数、交通组成、道路横断面、土地利用。对交通事故影响持续时间进行分析计算,进而基于烟羽模型构建城乡接合部道路交通事故辐射范围模型。最后,根据昆明市兴呈路事故数据验证了模型的可行性。同时为便于实际应用,建立了道路交通事故辐射范围分析系统,可得到事故在时间和空间上的动态影响范围。