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．     

基于模糊推理的交通需求总量组合预测模型研究

组合预测模型的权重向量是影响预测精度的关键因素.考虑到单个模型的前期预测绝对误差,和连续k期相对误差率因子对单个模型的权重影响程度难以精确量化,采用模糊数学的方法对绝对误差和k期相对误差率进行模糊化,并基于典型模糊推理控制结构设计推理规则,从而对单个预测模型的权重进行动态计算.     

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。     

基于诱导有序信息集结算子的最优组合预测模型在交通事故预测中的运用

基于诱导有序信息集结算子的最优组合预测模型在交通事故预测中的应用实例表明：基于10WHA算子的组合预测模型能够充分利用各个单项预测的有用信息,提高预测的精度,从而成为交通事故组合预测模型的一种新方法。     

我国道路交通事故近期发展预测

建立基于灰色预测模型、非线性回归预测模型的交通事故次数的组合预测模型,对我国未来5年的交通事故次数进行了预测。从模型预测的结果来看,我国交通事故次数在未来几年将会保持下降的趋势。     

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.     

道路交通事故死亡人数预测模型的研究

目前，我国道路交通事故死亡人数不仅占据国内各类安全生产事故死亡人数的绝对数，而且已居世界首位。2005年，全国各类安全生产事故死亡126760人，其中道路交通事故死亡98738人，约占总数的77．9％；2006年，全国各类安全生产事故死亡112822人，其中道路交通事故死亡89455人，约占总数的79．3％。公安部刘金国副部长在2007年3月26日召开的全国道路交通安全工作部际联席会议第三次会议上发言指出，研究建立科学考核体系，[第一段]     

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.     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

道路交通事故死亡人数的灰色-周期外延组合模型

针对我国道路交通事故死亡人数既有总体变化趋势又有周期波动的特点,建立了灰色-周期外延组合模型.该模型是在GM(1,1)模型的基础上建立的残差周期外延模型.它提取优势周期,通过将不同周期同一时刻的值叠加,生成灰色-周期外延组合模型.利用该模型对我国道路交通事故死亡人数进行预测,可明显提高预测精度.     

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。     

基于灰色-径向基函数神经网络的交通事故多元预测模型

为实现多影响因素作用下的道路交通事故预测, 将灰色系统理论和神经网络理论相结合, 发挥灰色理论提高可用信息利用率、弱化数据序列波动性的优点及神经网络特有的非线性适应性信息处理能力, 提出道路交通事故灰色-径向基函数神经网络多元预测模型, 并以某算例进行了不同预测方法结果对比。分析结果表明: 与灰色系统预测和径向基函数神经网络预测相比, 多元预测模型平均绝对误差、平均绝对百分比误差分别降低50.0%和12.5%, 不等系数降低54.5%和16.6%, 有效度提高2.7%和0.3%, 说明该组合预测能够有效提高系统建模效率与模型精度。     

道路交通量数列预测模型

应用灰色系统理论对道路交通量进行数列预测,并结合实例建立相应的模型予以验证,通过精度分析及与实际情况的比较,说明数列预测模型应用于道路交通量预测精度较高,而且方法简便.     

基于组合预测理论的交通事故预测研究

提出一种适用于道路交通事故预测的组合预测模型。实例计算分析表明组合预测比单一预测技术的预测效果更好,在交通事故的预测问题方面具有一定的应用价值。     

基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

寒冷地区道路交通事故分布规律研究

通过对地处寒冷地区的黑龙江省和辽宁省 2 0 0 0年及哈尔滨市 1989年至 2 0 0 0年发生的道路交通事故的分析 ,研究了道路交通事故的分布规律 ,找出寒冷地区道路交通事故分布的特点 ,以期有助于交通管理部门改善寒冷地区道路交通安全状况 ,减少事故次数和损失     

基于密度熵的道路交通事故影响范围分区模型

考虑路径阻抗的动态变化, 定义了网络初始荷载; 以事故持续时间为变量, 采用前景理论确定了网络负载重分配的方式; 根据交通流密度熵构建了耗散结构模型, 并与负载分配过程相结合确定了各路段的交通流密度熵变化率; 构建了基于聚类分析的交通事故影响范围分区模型, 通过仿真试验探讨了不同初始荷载和事故持续时间对分区的影响。仿真结果表明: 在交通量基数为800 pcu·h^-1时, 事故持续时间从20 min增加到30 min, 直接影响区有向路段由3个增加到6个, 间接影响区有向路段由5个增加到18个, 说明受事故影响路段的熵处于快速上升阶段, 路网的级联失效不明显; 随着交通量基数增加到1 000 pcu·h^-1, 事故持续时间从20 min增加到30 min, 直接影响区有向路段由8个增加到19个, 间接影响区有向路段由16个增加到21个, 说明交通量对路网的影响主要集中在直接影响区。可见, 不同交通情况下, 各有向路段受到事故路段的影响程度明显不同, 随着事故持续时间与初始流量的加剧, 路网中有向路段的受影响程度均增大, 因此, 采用交通事故影响范围分区能够精细地描述道路运行状态的动态变化过程。     

道路交通事故影响因素分析

分别从人、车辆、道路及管理四个方面分析了诱发交通事故的原因,提出了为减少和预防交通事故发生的措施.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型: 统计预测算法和人工神经网络模型。对其中各种模型的特征进行了比较, 将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF) 神经网络模型与贝叶斯组合神经网络模型, 应用于一个真实路网的短期流量预测, 比较了各模型的预测结果。结果表明, 组合神经网络模型预测误差最小, 可靠性最高, 是一种对短期交通流预测的有效方法。     

基于PSO—SVM的交通事故预测

为更加准确地描述道路交通事故发生的规律,结合粒子群算法和支持向量机理论,提出一种粒子群算法（Ps0）优化支持向量机（SVM）的道路交通事故预测模型,并用相应的数据进行仿真研究。结果表明,基于粒子群算法优化支持向量机模型（PS（）ISVM）NNNNNNN,能较好地契合道路交通事故的变化趋势。