本站小編為你精心準備了交通事故嚴重程度預測方法參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：極限學習機是單隱層前饋神經網絡，作為BP神經網絡的一種改進，極限學習機克服BP神經網絡需要設置大量網絡訓練參數，并容易產生局部最優解問題的缺隱，交通事故嚴重程度的預測適合用極限學習機建模預測。研究選取某城市道路交通事故數據，利用基于LM算法（Levenberg－Marquardt）的BP神經網絡和極限學習機建立事故嚴重程度的預測模型，隨機選取80％的樣本作為訓練集、選取20％的樣本作為測試集，對測試集的期望值和網絡輸出值進行比較，結果表明，極限學習機的預測性能比BP神經網絡的要好。

關鍵詞：交通安全；事故嚴重程度；機器學習；極限學習機；BP神經網絡

隨著經濟的發展和城市機動化水平的飛速提升，道路交通事故日益增多，對人們的生命財產安全產生了巨大威脅，交通事故研究逐漸成為交通領域重點關注的問題之一。交通事故的研究目的除了減少交通事故數量以外，同時也需要降低交通事故的嚴重程度。近年來，國內外研究人員對于交通事故嚴重程度的研究做了大量工作。人工神經網絡方法因其在模式識別及預測方面的優勢受到了學者的青睞，在交通事故嚴重程度預測方面的應用十分廣泛。DursunDelen［1］利用國家汽車抽樣系統通用評估系統，考慮人、車、環境、事故及其他信息，建立了嚴重程度五分類和二分類的BP神經網絡模型，結果二分類的模型較五分類預測要好。C．OH［2］利用行人發生事故的數據，考慮行人的年齡、車輛的類型以及碰撞速度等因素，將事故嚴重程度分為兩類，建立了行人致死概率神經網絡預測模型。DarinAkin［3］將因變量分為致命事故、受傷事故及財產損失事故三類，建立事故類型與事故屬性（例如時間、天氣、照明和路面狀況、司機和車輛特性等）之間的BP神經網絡模型，預測美國密歇根州的馬科姆縣交叉口事故的嚴重程度。F．RezaieMoghaddam［4］考慮網絡結構（采用一層隱含層或兩層隱含層）和學習規則的不同，建立了不同的BP神經網絡模型，考慮到伊朗德黑蘭公路的人、道路、車、天氣及交通特征因素（包括交通量、速度），預測城市道路事故的嚴重程度。MehmetMetinKunt［5］將事故嚴重程度分為三類，利用德黑蘭－庫姆高速公路的相關事故數據，分別建立遺傳算法、遺傳算法與模式搜索的組合、BP神經網絡模型，預測司機受傷的嚴重程度，且比較了三種模型的預測性能。易富君［6］建立了遺傳算法優化的徑向基（RBF）神經網絡，預測西漢高速公路隧道群的交通事故嚴重程度（即安全等級）。QiangZeng［7］提出一種凸組合（convexcombina－tion）算法用于快速穩定地訓練神經網絡，用N2PFA算法優化網絡結構的神經網絡模型。利用佛羅里達州公路安全局提供的雙車碰撞數據集建立新的神經網絡模型，并且與傳統BP神經網絡比較，結果表明，改進的神經網絡比BP神經網絡預測要好。DahaiLiu［8］利用佛羅里達州的兩車事故數據集，建立了BP神經網絡，預測是否發生受傷事故，并對模型進行了靈敏度分析。LiuWenjun［9］將胸部受傷程度分為六類，車輛撞擊速度和行人年齡作為輸入變量，建立BP神經網絡模型，預測重慶人車事故中行人胸部受傷程度。L．Mussone［10］利用城市道路交叉口的數據，以5min間隔考慮交通量對交通事故的影響，建立了BP神經網絡預測模型。

綜上所述，對于交通事故嚴重程度的預測，學者們研究了不同區域，并采用多種類型的數據，考慮了各種相關影響因素建立預測模型。在方法上，眾多學者采用BP神經網絡及改進的BP神經網絡等多種神經網絡模型。但在這些研究中，涉及城市交通事故的整體數據（包括人車數據和多車數據等），或分別采用人車數據、多車數據建立神經網絡進行交通事故嚴重程度預測的研究很少，同時尚未發現將較新的機器學習方法應用到該領域的研究中。本研究擬采用極限學習機方法對交通事故嚴重程度進行預測，該方法是基于傳統神經網絡上的一種重要改進。BP神經網絡作為在人工神經網絡中使用最廣泛的網絡，因為其獨特的優點，非常適合應用在多輸入、存在非線性復雜關系的交通事故嚴重程度預測的建模中。極限學習機作為對單隱層BP神經網絡的改進，克服了BP神經網絡需要設置大量網絡訓練參數和容易產生局部最優解問題，在交通事故嚴重程度預測中有著潛在而廣泛的應用空間。本研究利用某城市的道路交通事故數據，將事故集分為整體事故（未按事故狀態分類）、人車事故、多車事故，分別用BP神經網絡和極限學習機建立模型，并對模型結果進行比較，以驗證極限學習機方法的有效性及該方法相比于BP神經網絡在預測性能等方面的優劣。研究結果表明，極限學習機作為一種新興方法在交通事故嚴重程度預測上是一種有意義的探索，并且可為事故嚴重程度的預測提供一種新思路。

1模型的影響因素

交通事故的嚴重程度預測受到多種因素的影響，從國內外研究來看，交通事故嚴重程度的預測主要考慮人的因素、車的因素、道路因素以及環境因素。對于交通事故嚴重程度的劃分，國內外學者根據實際情況，將事故嚴重程度劃分為二分類、三分類以及五分類等。本文將事故嚴重程度作為二分類變量，分為死亡事故和非死亡事故；借鑒國內外學者對事故嚴重程度預測所考慮的影響因素，將難以量化的變量剔除。

2BP神經網絡和極限學習機簡介

BP神經網絡結構的選擇十分重要，網絡結構選擇是否合理直接關系到網絡能否收斂。結構選擇合理可減少網絡的訓練次數，提高網絡的預測精度。BP網絡結構的選擇主要涉及到網絡輸入層神經元個數、輸出層神經元個數、隱含層神經元個數、學習算法的確定等。

2．1BP神經元個數的確立輸入層神經元個數：輸入層神經元個數為19。輸出層神經元個數：輸出層神經元個數為1。

2．2BP神經網絡的學習算法和簡介為克服傳統的標準BP神經網絡算法本身收斂速度慢、模型訓練容易陷入局部最優的問題，本文采用收斂速度快、計算精度高的LM算法（Leven－berg－Marquardt）訓練網絡。

3實例分析

為比較兩種模型的預測性能，并驗證兩種模型的可靠性和計算精度，將兩種模型的網絡結構設置為一層隱含層，然后以從某市取得的道路交通事故數據為例進行實例分析。

3．1數據來源選擇某市2010—2015年道路交通事故數據，以事故形態將事故數據劃分為整體事故數據、人車事故數據、多車事故數據三大類，其中整體事故是所有事故形態的數據。整體事故數據3744起；人車事故數據1442起；多車事故數據2017起。為比較BP神經網絡與極限學習機的預測性能，參照相關文獻［12］，隨機選取80％的樣本作為訓練集，隨機選取20％的樣本作為測試集。

3．2網絡學習和檢驗由于數據是分類變量，經過對變量的合理賦值后，將影響因素作為輸入、事故嚴重程度作為輸出，BP神經網絡使用LM算法，極限學習機使用sig－moid激活函數。以訓練集和測試集的誤差在0．3以下、訓練集準確率高于測試集的準確率、訓練集準確率較高為準，經過對BP神經網絡和極限學習機的訓練，得到BP神經網絡三類事故的合適隱含層神經元個數，均為10個，而極限學習機整體事故數據的隱含層神經元個數為2995，人車事故數據隱含層神經元個數為30，多車事故數據隱含層神經元個數為20。

4結論與展望

本文在某城市交通事故數據基礎上，將其分為整體事故、人車事故及多車事故三類。考慮時間、氣候、道路物理幾何條件等影響因素，用極限學習機方法構建了預測交通事故嚴重程度模型，同時構建基于經典BP神經網絡的交通事故嚴重程度模型，并將極限學習機的預測結果與BP神經網絡的預測結果在預測精度上進行比較。兩種模型的預測結果表明：極限學習機方法構建的預測模型，在整體事故、人車事故、多車事故分類數據下，其預測精度優于BP神經網絡模型。該方法應用于交通事故預測研究尚屬首次，可為交通事故嚴重程度預測提供一種新的思路和研究方法。本研究中，由于數據內容等原因，沒有將人、車的影響因素加入到模型中進行考慮，未來需要加入該方面的內容，以期對交通事故嚴重程度影響因素進行更為全面的考量。此外，從本文的預測結果可知，模型預測的精度有待進一步提高，未來研究可考慮將極限學習機方法與其他方法進行混合，進一步提高模型的預測精度。

作者：李濤；王立曉；左志 單位：新疆大學建筑工程學院