基于BP神经网络的道路交通事故预测研究

市 政 与 路 桥

基于 BP 神经网络的道路交通事故预测研究

罗传平 1

蒋显勤 2

（1、浙江省三门县公路管理段，浙江 三门 317100 2、浙江省临海市交通工程建设有限公司，浙江 临海 317000）

摘 要：随着我国机动化进程的加快，道路交通安全问题越来越受到人们的关注。对道路交通事故进行了机理分析，采用 BP 神经网络，建立可

靠性较高的事故预测模型，提出了可预测事故发生因素导致事故发生概率值的研究方法。

关键词：道路交通事故；BP 神经网络；事故预测 1 研究背景 随着我国经济的突飞猛进，我国公路建设亦

取得了令人瞩目的伟大成就，但是与发达国家相 比，我国当前的道路交通安全事故形势十分严峻。 这主要体现在以下几个方面：交通事故死亡人数 稳居世界第一；交通事故的严重性程度极高；道路 交通中的死亡风险很高；道路交通事故仍处于持 续增长时期。随着机动化水平的不断发展和人民 的生活质量的不断提高，公众的目光会越来越关 注于道路交通的安全性。

道路交通事故预测在交通管理、控制和有关 规划设计中有着重要的作用，而道路交通事故的 形成因素包括人、车、路、环境等多个非线性因素， 带有较大的随机性。传统的线性分析方法无法揭 示其内涵，预测结果无法令人满意，故存在有较大 的局限性。而交通事故的预测可以视作一个非线 性随机的输入输出系统，利于神经网络的学习能

图 2 处理，各神经元的输出仅对下一层神经元的状态 力和适用能力实现系统的映射特性，完成对系统 行驶系统和电气系统。

2.3 影响交通安全的道路条件 路的因素不足产生影响，直至输出层。若网络的输出与其期望输 的建模和控制，在理论上保证了神经网络用于事

以导致交通事故，但由于人、 出之间存在偏差，则进入反向传播过程。反向传播 故预测的可行性。

车等因素可能导致交通事故。通过对事故资料的 过程时，误差信号由原正向传播途径反向回传，并 2 道路交通事故机理分析 道路交通指的是

统计分析，影响交通安全的道路条件几乎包括了 按误差函数的负梯度方向，对各层神经元的权系 人、车在道路上的移动，它

线形不良或线形组合不良、视距 数进行修正，最终使期望的误差函数趋向最小。 是一个由人、车、路环境等因素构成的复杂的动态 所有的道路要素。

4 事故预测模型 系统。人、车、路、环境等几个互不相同的要素，在 不良、交通干扰等等都是影响交通安全的主要因

4.1 事故预测模型建立 构成具有特定功能的道路交通系统整体时，它们 素。

2.4 影响道路安全的环境因素 主要是自然环4.1.1 模型输入确定 之间就产生了互相依赖、互相作用的特定而不可

境，道路地理位置、地理条件、 山西某国道，设计标准为双向两车道，设计 分离的联系，因而具有系统性。

等级为二级路。研究路段 121.5km，为平原微丘地 2.1 影响驾驶员行为的因素 在道路交通系统气象条件等等。

3 BP 神经网络概述 神经网络的基本思想是形过渡到山地地形。 中，人是四大因素中惟一的

2003 全年事故数 483 起，因为行人、非机动 从仿生学角度，模拟 自主型变量，因此，人是交通事故的核心。从总体

12 起，行人、非机动车造成事故 上看，交通事故的关键在于机动车驾驶员，因为相 人脑神经系统的运作方式，使机器具有人脑那样 车原因造成事故

的感知、学习和推理能力。在众多的网络结构中， 原因不在本论文研究范围之内，我们只研究人车 对于行人和骑车人来说，机动车驾驶员是交通强 多 层 前 馈 神 经 网 络 (Multi- Layer Feedforward 路造成的 471 起。现将主要事故因子罗列如下： 者。因此，我们这里着重讨论的是机动车驾驶员的 Neural Networks，简称 MFNN)是目前使用最广泛 对事故影响的因素很多，本模型假定有 16 行为。 的最成熟的一种网络结构。一个多层前馈网络由

具体如下： 酒后驾车；超速驾驶；疲劳驾2.2 影响机动车安全性能的因素 造成交通事输入层、输出层和至少一个隐层组成，各层包含一 个输入，

个或多个神经元，相邻两层神经元之间通过可调 驶；违章；疏忽大 故的第二大要素是车辆。影响机

权值相连接，且各神 意；制动问题：制动失效、制动不良；其他急件故 动车安全性能的因素主要有转向系统、制动系统、

经元之间没有反馈。 障；线形良好的道路，指平直路或一般弯、一般坡、 其信息由输入层依次

一般弯坡的路段；连续下坡、连续下坡接 S 弯；长

向隐层传递,直至输出 直线接小半经曲线；视距不足路段；直桥接小半径 层。每个神经元以加 无交通控制平交口；夜间驾驶；雾，可见 权和形式综合它的全 桥头曲线；

雨，路面附着系数低。 部或部分输入，并根 度低；

据非线性激活函数的 数据输入略。 形状产生相应的输 4.1.2 模型建立 出。 本文运用 Neuroshell2 软件中 BP 网络下带

BP 算法包含正 有 slab 的三层 Ward 网络模型。BP 网是一种具有 向传播和反向传播两

个过程。在正向传播 三层或三层以上的单向传播的多层前馈网络。上

下层之间各神经元实现全联接，即下层的每个单

的过程中，样本从输

元与上层的每个单元都实现权联接。BP 网使用的 算法是误差反向传播算法，其全称为误差逆传播 神经网络。本文采取的 Ward 网络结构如图 1：

（下转 2 页） 入层经过隐层单元层Slab1 为网络输入层，共有 图 1

－201－

科 技 论 坛

颗粒分析试验探讨

李炎松

（黄河水文勘察测绘局，河南 郑州 450008）

摘 要：颗粒分析试验是测定干土中各种粒组所占改土总土质量的百分数的方法，借以明确了颗粒大小分布情况，供土的分类及概略判断土的

工程性质及选料之用。主要介绍了颗粒分析的试验及结论。

关键词：颗粒分析；试验；结论

颗粒分析试验是测定干土中各种粒组所 占改土总土质量的百分数的方法，借以明确了 颗粒大小分布情况，供土的分类及概略判断土 的工程性质及选料之用。根据土的颗粒大小及 级配情况，进行颗粒分析的方法有筛分析法、密 度计法、移液管法，若土中粗细兼有，则联合使 用筛分析法及密度计法或移液管法。

本次选土中粗细兼有 的 土 样 ZK15- 3、 ZK15- 4、ZK16- 3 三组土样，联合使用筛分析法 及密度计法联合其颗粒大小分布情况，应用理 正土工试验软件和依据土工试验规程颗粒分析 试 验 SL237- 006- 1999 操 作 方 法 ， 对 选 择 ZK15- 3、ZK15- 4、ZK16- 3 三组土样进行比较计 算，探讨颗粒分析筛分法联合密度计法试验结 果。

试验：依据土工试验规程颗粒分析试验 SL237- 006- 1999， 对 选 择 ZK15- 3、ZK15- 4、 ZK16- 3 三组土样进行颗粒分析筛分法联合密 度计法试验，得出实际颗粒分析筛分法、密度计 法试验结果。

计算：分别采用理正土工试验软件【密度

图 1 计法式样包含＞0.075mm 土粒】前选√和【密度 责任编辑：李光旭 计法式样包含＞0.075mm 土粒】前不选√，对选

择 ZK15- 3、ZK15- 4、ZK16- 3 土样，进行颗粒分 （上接 201 页） absolute error: 43.645 十 六 个 输 入 ；Slab2、Slab3、 Max. 析筛分法联合密度计法试验数据计算；再依据 S为网络隐层，各有五个神经元；Slab5 为网络 Correlation coefficient r: 0.8835 lab4 土工试验规程颗粒分析试验 SL237- 006- 1999 输出层，5 结论 有一个输出。 操作方法，对选择 ZK15- 3、ZK15- 4、ZK16- 3 土

Slab2 激发函数为 Gaussian 函数：g(x)=exp 影响交通事故因素很多，许多因素较难用直 样进行实际计算颗粒分析筛分法联合密度计法

观的数据形式表达，给交通事故定量分析研究带 (- x^2) 试验数据计算得出如图 1 所示计算结果。

Slab3 激发函数为 Tanh 函数：t(x)=tanh(x) 来一定的难度。本文在对道路交通事故因素定性 结论

从图 1 中所示对比结果可以看出，【密度 Slab4 激发函数为 Gaussian- complement 函 分析的基础之上，采用神经网络的方法预测事故 计法式样包含＞0.075mm 土粒】前选√计算结 数：h(x)=1- exp(- x^2) 发生因素即道路安全隐患导致事故发生的概率 果、【密度计法式样包含＞0.075mm 土粒】前不

Slab5 激发函数为 Logistic 函数：f(x)=1/(1+exp 值。通过实际数据的检验，该方法有较好的效果。

选√计算结果与实际计算结果三种方法颗分粒 x)) 由于该方法是建立在实际交通事故数据基础上， 组数据均有不同程度的差别，但不影响土样土 (-

模型输出记为 y，则 随着我国交通事故数据采集与记载的不断的完 的分类及概略判断土的工程性质及选料之用；

【密度计法式样包含＞0.075mm 土粒】前选√计

善，本文提出的方法具有一定推广意义和实际应算结果与实际计算结果的不均匀系数 CU 和曲 用价值。

注：率系数 CC 偏离较大，与实际计算不符；【密度计xi 为输入自变量，wij、wi,j+5、wi,j+10、wjo、wj+5,o、 参考文献 [1]刘运通.道路交通法式样包含＞0.075mm 土粒】前不选√计算结 安全指南[M].北京：人民交通出 版社，2004. [2]郭忠w为函数修正系数。 果与实际计算结果接近，比较切合实际计算值。 j+10,o

印,方守恩等.道路安全工程[M].北京：人民交 通出4.2 模型检验及参数标定

从对比分析计算结果结论得出，应用理正 版社，2003. [3]张立明.人工神经网络的模型及应用采用 Neuroshell2 软件中的 Ward 网络来建

[M].上海：复 旦大学出版社，1993 [4]罗莉，罗强，胡软件进行“颗粒分析筛分法联合密度计法”分析

立输入和输出之间的函数关系。通过对软件不断 守仁.前馈多层神经网络的一种优 质高效学习算法试验时，操作方法应用【密度计法试样包含 >0.

的调试，抽样率取 10%，学习率设为 0.6，动量因子 [J].计算机研究与发展，1997（2）. [5]焦李成.神经网络075mm 土粒】前不选√，取 <0.075mm 的土粒干

计算[M]. 西安：西安电子科技 大学出版社，1993. 设为 0.4，初始权值设为 0.1，权值更新选择 Mo- 土质量 30g，用户点击【从筛分试验获取土粒含 ，作者简介：罗传平（1970，3~）学历：专科，毕 mentum选项。模型修正系数篇幅较长，本文未列 量数据】 后软件从筛分试验中取出 <0.075mm 业于浙江交通职业技术学院，专业：公路与城市道 出。事故预测和实际比较如图 2： 的土粒占总土百分含量，进行计算颗粒分析筛

模型计算结果评价指标如下： 路，现主要从事道路桥梁的养护工作。

分法联合密度计法试验数据。

Output: C1 R squared: 0.8874 r squared: 0.7806 Mean squared error: 66.96 Mean absolute error: 3.399

责任编辑：李光旭 Min. absolute error: 0.0014

－2－