基于BP神经网络的交通事故预测模型

交通事故预测对于分析现有道路交通条件下交通事故的未来发展趋势及其预防具有重要意义。在进行交通事故统计的基础上，运用BP神经网络理论，建立交通事故预测模型。计算结果表明，该模型较传统方法精度高，可用于交通事故预测。     

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。     

BP神经网络主成分分析法在汽车保有量预测中的应用

针对影响汽车保有量预测的多个因素,采用主成分分析的方法提炼出较少的与线性无关的主要因素,并根据这些因素,利用BP神经网络方法对汽车保有量进行了预测,最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较,得知BP神经网络主成分分析法在运算效率、运算精度上较优.     

在道路交通和城市化进程影响下对汽车销量的预测

本文研究了汽车销量在道路交通和城市化进程影响下的预测模型的建立,以历史数据为检测依据,判断所建模型的可行性,并对2011~2015年末汽车总销量进行了预测。其模型参数即道路交通和城市化进程对汽车销量的影响因素包括城镇人口数、城镇居民人均可支配收入、城市化率、城市年末实有道路长度、城市年末实有道路面积、公路里程。经精度检验,BP神经网络可用于预测城镇人口数、城镇居民人均可支配收入、城市化率、公路里程。二元线性回归可用于预测城市道路长度和城市道路面积。最后BP神经网络利用其在处理非线性系统方面的优越性,实现在各参数影响输入下对汽车总销量输出的任意非线性映射且具有较高的预测精度。     

基于BP神经网络的道路交通安全预测模型研究

为了研究影响道路交通安全的因素与事故之间的内在关系,选取对道路交通安全影响相对较大的10个因素作为研究对象,利用 SPSS软件对其进行相关性分析,建立 BP 神经网络模型,对道路交通安全进行预测分析;选取1997-2010年数据作为训练样本,对2011年交通事故中的事故次数、死亡人数、受伤人数及综合死亡率进行预测,经过验证,其预测精度在6%以内,满足应用要求,可为道路交通管理等相关部门制定安全预防措施提供一定依据。     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率,以西汉高速秦岭某隧道群的496起交通事故作为研究对象,对影响公路隧道交通事故预测的道路环境因素进行相关性分析,针对不同预测类别选定具有显著影响的主要变量,通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测,根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠,准确率约为84%; 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型,其对重大或特大事故的预测准确率高达50%; 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型,绝对误差为20 min时模型准确率将超过70%。     

道路平面交叉口交通事故主成因分析研究

道路交通安全是一个复杂的系统,其影响因素多且各因素之间相互作用。作为道路重要组成部分的平面交叉口路段,其交通事故的成因也是多方面的。文中从总体上概括了道路平面交叉口交通事故的起因;在此基础上,结合广州西二环高速公路出口处环岛交叉口工程实例,运用主成分分析法对其交通事故主成因进行了分析研究。     

基于神经网络的停车需求预测模型及应用

结合停车需求特点分析了停车需求影响因素,提出了基于主成分分析的BP神经网络停车需求预测模型,该模型主要是通过对城市中心区停车需求的经济、土地、交通的特征分析,利用主成分分析法,明确了影响停车需求的主成分,简化了神经网络的输入样本,消除了网络输入之间的相关性,提高了网络的性能,实现了公共停车需求的准确预测。     

基于灰色神经网络组合模型的水上交通事故预测

水上交通事故预测是水上安全的重要组成部分,目的是为了掌握水上交通事故未来的发展状况,为管理决策提供重要的理论依据。运用灰色神经网络组合模型对水上交通事故量进行预测,运用灰色模型对水上交通事故进行模拟,将结果和原始数据进行对比,计算出残差。运用BP神经网络模型对残差进行修正,得到最终预测的结果。仿真得到的2012年和2013年的水上交通事故预测量分别是270和281。实践表明,水上交通事故量呈下降趋势,但有部分年份仍有回升趋势。      

交通事故预测的灰色GM（1，1）模型

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。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

基于主成分分析与BP神经网络的TBM围岩可掘性分级实时识别方法研究

TBM 围岩可掘性等级实时在线识别和预警对TBM 安全高效以及智能化掘进意义重大,基于新疆EH 隧洞工程直径为7. 0 m 的敞开式TBM 实际掘进数据与地质数据, 通过TBM 掘进性能与施工风险的特征参数指标对围岩进行可掘性分级。在对不同围岩 下区分度较好的掘进参数进行主成分分析之后,获得表征围岩可掘性等级的2 个主成分指标,并在此基础上构建BP 神经网络对围 岩可掘性等级进行识别。同时,为提高模型响应速度,设计了一个MATLAB 程序,从而获得了实用性较强的围岩可掘性等级实时识 别方法。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。     

A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model

The purpose of this study is to propose a cellular automata (CA) traffic flow model with high accuracy for lane change decision and name it LCCAM. A driving simulator experiment was conducted to find factors affecting lane changing decisions. A back-propagate (BP) neural network was used to obtain the lane changing rules for the microscopic lane changing decision model (LCDM), and the collected accurate vehicular trajectory data were used to train the BP neural networks for the prediction of lane changes. After comparing different input variable combinations, the most accurate input setting was determined, including the locations and velocities of neighboring vehicles, inner/outer lane indicator, and the speed limits of the corresponding lane. Then, the determined BP neural network was adopted in the LCCAM as the LCDM. Simulation results showed that the LCCAM can capture important characteristics such as the mean velocities and the number of lane changes well, by comparing with observed traffic flow. Meanwhile, the LCCAM illustrates a better performance in replicating the number of lane changes than the other reference CA models. The research results show that the LCCAM proposed in this study will have potential and value for autonomous driving and active safety analysis in the future.     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

城市快速路交通事故特性分析及安全评价

以哈尔滨市3条快速路为研究对象,通过分析其道路交通事故统计数据,从时间分布、事故形态、事故成因等角度,探讨了城市快速路交通事故的特性。选取行车道宽度、交通饱和度、标志设施等9个指标,建立了城市快速路交通安全水平评价指标体系,进而提出了基于主成分分析法的快速路交通安全评价模型。应用案例表明,哈尔滨市和兴路的交通安全水平相对最好,公滨路交通安全水平较低,该结果与运用相对事故率法所得到的结论基本一致,从而验证了该模型的有效性。     

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.