模糊广义学习向量量化算法在交通事故预测方面的应用

模糊逻辑系统易于理解,而神经网络则有极强的自适应能力.本文将模糊数学方法和神经网络结合起来建立组合模型,用广义模糊神经网络(FGNN)预测道路交通事故.运用MATLAB语言编程,利用模糊广义学习向量量化算法(FGLVQ)建立模糊神经网络模型,并应用于交通事故预测中,改进了交通事故预测的计算方法.理论分析和实例表明,设计的模糊神经网络模型具有良好的非线性映射功能和泛化功能,对预测交通事故有较好的适应性.     

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.     

道路交通事故灰色预测模型的建构与应用研究

分析了我国当前交通安全形势的严峻性,说明了道路交通事故预测技术的重要性.在对比两种传统的交通事故预测模型的基础上,分析了灰色模型在交通事故预测中的优越性,并构建GM(1,1)对道路交通事故量进行了预测,结果证明是可信的.     

道路交通事故的灰色马尔科夫预测模型与算法

将灰色模型与马尔科夫链结合,建立了针对道路交通事故预测的灰色马尔科夫模型.既可以发挥灰色系统预测精确的特点,又可以利用马尔科夫链对准确预测波动性数据的优势.在灰色马尔科夫链模型的算法基础上,进行灰色马尔科夫链预测系统的设计.用我国道路交通事故次数的数据进行预测验证.结果表明.灰色马尔科夫链模型能很大的提高预测的精度和效果,符合实际要求.     

��������������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.     

自适应过滤法在水上交通事故预测中的应用

水上交通事故预测对于提高海上安全管理和预防事故的发生有重要的作用.为提高水上交通事故预测的准确性,构建了自适应过滤模型.以2011—2017年我国水上交通事故数据为基础,对2018年水上交通事故进行预测,并与一次指数平滑法、灰色GM(1,1)预测法预测结果进行对比验证.通过比较发现,自适应过滤法的相对误差较小、预测精度...     

1基于灰色SCGM（1，1）b模型的道路交通事故短期预测分析

在综合研究已有经验的基础上,将灰色系统的SCGM（1,1）b模型应用于全国道路交通事故短期预测研究。通过对比验证,预测结果较为理想,表明该模型可以作为交通事故预测的一种有效手段,可为交通管理部门提供可靠的决策依据。     

基于灰色马尔科夫模型的交通事故预测研究

以全国交通事故数为研究对象,旨在实现对道路交通事故的有效预测,通过采用灰色模型和马尔科夫模型相结合的方式,建立灰色马尔科夫模型。依据2005~2014年的全国交通事故起数对模型进行精度验证,并对未来3年的交通事故数进行实例预测。结果表明:灰色马尔科夫模型的残差均值相比单一的灰色模型降低了0.020 4,平均相对误差降低了4.45%,预测精度有明显提高,预测结果具有动态波动性,更符合实际需求,从而为道路安全管理提供决策支持。     

残差灰色预测模型在交通事故预测中的应用

交通事故预测是交通安全研究的重要分支,是提高道路交通安全管理水平的基础。针对道路交通事故的预测问题,以灰色预测模型为基础,建立残差灰色预测模型对交通事故进行预测。结果表明：残差灰色预测模型预测结果的平均相对误差比基本灰色预测模型降低了63．13％。实践证明该模型具有简便实用、预测精度高的优点。     

我国道路交通事故发展趋势研究

以近20年全国道路交通事故统计和社会经济发展统计数据为基础,对交通事故发生情况进行分析。利用交通事故统计数据绘制事故趋势图,分析其变化趋势。建立交通事故发生情况与国内生产总值、私人汽车拥有量的关系,利用非线性回归分析方法研究其相关性,以此进行模型拟合,预测其发展形势。结果显示,非线性拟合分析方法简单易行,且拟合模型的预测精度较高。研究表明,我国交通事故总体呈现先扬后抑的趋势,交通安全状况虽逐渐好转但仍需改善。     

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。     

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.     

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%。     

公路交通安全评价方法与体系

交通事故是人、车、路和环境动态系统失调的结果.根据我国的交通特点、地形特征和交通动态系统中人、车、路及环境的交通特性,着重从“路”方面,研究提出与我国交通特色相适应的公路交通安全评价方法,事故相对多发路段判别方法、双车道公路交通安全性预测模型、双车道公路交叉口交通安全性预测模型和高速公路交通安全性预测模型,以及建立公路交通安全评价指标体系的三个层次.     

����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。     

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.     

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．     

城市道路最大出行距离计算模型

为了合理体现交通事故延误对出行者路径选择的影响,提出了随机状态下的交通事故时间延误模型。将交通事故的随机性、持续时间和道路通行能力等不确定性因素引入到交通分配模型中,并对路径选择模型进行修正。分析了各等级道路最大适宜出行范围,根据修正的路径选择模型,采用逐次交通分配方法,得到各等级道路的出行周转量和出行距离,并与不考虑交通事故延误时的出行距离进行了对比分析。分析结果表明:当考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、2.946、4.054、5.963km;当不考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、3.000、6.000、10.000km;交通事故延误是影响出行者路径选择的重要因素;当考虑交通事故延误时,高等级道路的最大出行距离变小。相比于传统的路径选择模型,本文模型更优。