基于GA－BP神經(jīng)網(wǎng)絡(luò)算法和粗糙集理論的交通事故黑點模型＊

李巧茹 程長廣 陳 亮

（河北工業(yè)大學(xué)土木工程學(xué)院1） 天津 300401） （河北省土木工程技術(shù)研究中心2） 天津 300401）

0 引 言

國內(nèi)外對交通事故黑點已有較多認識和研究，存在著多種多樣的鑒別方法和理論，例如比較早的事故數(shù)法、事故率法、事故數(shù)－事故率法、質(zhì)量控制法等［1］.近些年又出現(xiàn)了成因分析法，動態(tài)聚類分析法，模糊統(tǒng)計分析法，灰色關(guān)聯(lián)分析等［2－3］.1997年，J.S.CHEN和S.C.WANG提出了鑒別危險路段的臨界率法，該方法能夠確定事故多發(fā)點改善的優(yōu)先次序［4－6］，但是隨著經(jīng)濟的發(fā)展與出行者對安全要求的提高，臨界率也不斷發(fā)生變化.裴玉龍，丁建梅等提出了突出因素法［7］；過秀成等提出了成因?qū)?yīng)分析法［8－9］；張鵬等提出了粗糙集應(yīng)用于交通事故黑點的成因分析［10］；劉安業(yè)，王要武等提出基于BP神經(jīng)網(wǎng)絡(luò)的事故多發(fā)點鑒別方法［11］.這些方法有的忽略了，有的沒有考慮動態(tài)因素的影響，有的原始數(shù)據(jù)巨大不易實現(xiàn).

總之，上述研究或者僅考慮突出因素而忽略了不顯著因素的影響，或者僅考慮靜態(tài)道路環(huán)境而忽視了考慮動態(tài)因素的影響，GA－BP神經(jīng)網(wǎng)絡(luò)算法以及粗糙集理論在黑點預(yù)測模型中都分別被采用過，但這兩種理論單獨使用都存在著各自的缺點，如模型中僅考慮靜態(tài)道路環(huán)境，原始數(shù)據(jù)量巨大，預(yù)報精度低等.針對上述情況，提出一種基于BP神經(jīng)網(wǎng)絡(luò)與粗糙集理論相結(jié)合的單元交通事故預(yù)測模型，并進行實證分析.兩種理論的結(jié)合應(yīng)用提高了對事故黑點的預(yù)報精度，對降低偽報警率起到有效作用.

1 研究方法

道路交通事故主要的影響因素包括駕駛員的因素（駕齡、駕駛習(xí)慣、違規(guī)率等）、車的因素（車輛類型、質(zhì)量水平、車速等）、天氣因素等，可劃分為靜態(tài)因素與動態(tài)因素兩類.本文采用“二階段”預(yù)測方法，對事故黑點進行預(yù)測.

1）第一階段 采用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)算法，分析道路環(huán)境與事故率的關(guān)系，從靜態(tài)因素入手預(yù)測道路交通事故黑點樣本集合.具體指標選取交通流量、車道數(shù)量、道路線形、車道寬度、平曲線半徑、道路縱坡及道路交叉情況.

2）第二階段 采用粗糙集算法，選取動態(tài)因素在事故黑點樣本集合中建立觸發(fā)預(yù)警級別的事故規(guī)則模型.具體指標選取天氣、車輛速度、飽和度、車型、照明情況.

2 建立模型

首先，通過對區(qū)域內(nèi)干線公路網(wǎng)按照交叉口、路段、特殊設(shè)施等進行單元劃分，對各個單元的事故記錄、道路幾何參數(shù)、交通參數(shù)與環(huán)境因素等進行描述，分析事故歷史數(shù)據(jù)，建立事故預(yù)測模型.

其次，對事故黑點預(yù)測指標進行選擇.根據(jù)事故黑點定義，如果把以某一長500 m的路段內(nèi)一年內(nèi)發(fā)生事故的次數(shù)定義為該路段事故率，那么該事故率可以表征該路段的行車危險程度.根據(jù)該路段至少3 a平均每年發(fā)生的事故次數(shù)作為衡量行車危險程度的標準，分析所要研究的津圍公路各單元內(nèi)發(fā)生的事故數(shù)資料，以事故數(shù)3為劃分等級的標準，見表1.當安全等級為3級危險時，該單元即為此道路的一個事故黑點.

表1 年均事故次數(shù)與道路安全等級的關(guān)系

2.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型（第一階段）

將神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合起來，形成一種雜交算法GA－BP算法，可以達到優(yōu)化網(wǎng)絡(luò)的目的.BP神經(jīng)網(wǎng)絡(luò)采取的權(quán)值更新方法為最速梯度下降法，其缺陷是容易陷入局部極小、收斂速度慢，因此論文借助遺傳算法來訓(xùn)練優(yōu)化初始權(quán)值，訓(xùn)練時先由遺傳算法進行全局尋優(yōu)，將搜索范圍縮小后，再利用BP網(wǎng)絡(luò)誤差反傳算法來訓(xùn)練，得到精確的權(quán)值，最后利用網(wǎng)絡(luò)的泛化能力對輸入的樣本進行預(yù)測［12］.

將上述模型用天津市津圍公路的交通事故統(tǒng)計數(shù)據(jù)進行驗證.該區(qū)域車流量較大，事故高發(fā)，具有一定代表性.津圍公路起點樁號K12＋510，終點樁號K145＋963，全長133.453 k m，設(shè)置500 m長度為一個單元，可分成267個單元.收集自2007～2009年3 a的道路交通事故數(shù)據(jù)，并進行分析.

選取0.5 k m作為單位路段長度，將影響事故率的因素分為10項，如圖1所示.車道數(shù)量分為單向1車道編碼為1、單向2車道編碼為2、單向3及以上車道編碼為3；道路方向編碼天津到圍場方向確定為0，反向為1；道路線形編碼分為平直為0，彎曲1；道路標志編碼分為清晰為0，一般為1，模糊為2；單元內(nèi)若有交叉口編碼定為1，否則為0；平曲線半徑分為3個區(qū)間，半徑（0，500 m）編碼為0，（500，1 500 m］為1，（1 500 m，＋＋）為2；道路縱坡分為3類，縱坡（0，2%］編碼為0，（2%，4%］為1，（4%，＋＋）為2；若有緊急停車帶編碼為1，否則為0；若單元內(nèi)有村莊等建筑物，編碼定為1，否則為0；分析路面質(zhì)量時，采用公路技術(shù)狀況指數(shù)（maintenance quality indicator，MQI）來區(qū)分公路技術(shù)狀況等級，MQI指標的值域為0～100.公路技術(shù)狀況分為優(yōu)、良、差3個等級.其中優(yōu)的MQI值為（90，100］，編碼為0，良的 MQI值為（60，90］，編碼為1，差的 MQI值為（0，60］，編碼為2.

圖1 靜態(tài)因素變量及其等級編碼

以2007年天津市津圍公路交通事故統(tǒng)計數(shù)據(jù)為例，隨機抽取80組預(yù)測樣本，采用Matlab軟件編寫計算程序.其中前70組作為訓(xùn)練樣本，后10組作為檢驗樣本.在樣本的訓(xùn)練過程中，取初始種群M＝70，交叉概率Pc為0.7，變異率Pm為0.01，終止進化代數(shù)Kmax為400，隱層節(jié)點確定為8個，初始權(quán)值與閾值取值范圍（－1，1），取神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率η為0.7，誤差Emin為0.01.

預(yù)測結(jié)果分析：用訓(xùn)練完畢且已掌握了“知識信息”的網(wǎng)絡(luò)進行預(yù)測時，只需將待測路段的各影響因素資料輸入網(wǎng)絡(luò)，通過正向計算輸出各單元輸出值即可得到預(yù)測結(jié)果見表2，預(yù)測準確率為90%.

表2 基于GA－BP神經(jīng)網(wǎng)絡(luò)的道路交通事故黑點預(yù)測結(jié)果

2.2 基于粗糙集算法的預(yù)測模型（第二階段）

在第一階段的預(yù)測過程中，從道路環(huán)境狀況出發(fā)，分析道路環(huán)境的突出因素與事故率的關(guān)系，預(yù)測道路交通事故黑點樣本，而未考慮其他因素的影響，例如駕駛員的因素（包括駕駛員駕齡、駕駛習(xí)慣、違規(guī)率等）、車的因素（車輛類型、質(zhì)量水平、車速等）、天氣因素（包括雨、雪、霧、風等）.第二階段預(yù)測是在第一階段工作的基礎(chǔ)上，疊加非道路影響因素，利用粗糙集理論進行二次建模，最終得到事故預(yù)測模型.

根據(jù)粗糙集原理，在信息系統(tǒng)S＝＜U，R，V，f＞中，屬性子集P，Q?R，知識Q 以依賴度k（0≤k≤1）依賴于知識P，記作P?kQ，當且僅當：

在決策信息系統(tǒng)T＝＜U，C∪U，V，f＞中，條件屬性a∈C，則a相對于決策屬性集D 重要性sig（a）定義為

假設(shè)屬性集子集C，由C得到的分類為D，當從屬性子集C中去掉屬性a后，其分類必定發(fā)生變化，則定義sigC－｛a｝（a）為屬性a的重要度［3］，即

該重要性表達在當前信息條件下，條件屬性對決策屬性的重要程度.

3 實證分析

對第一次建立的模型所得到的事故黑點進行分析，假設(shè)某一黑點單元內(nèi)發(fā)生了11起交通事故，對這11起事故的動態(tài)因素（如車輛速度、光照條件、天氣情況、駕駛員構(gòu)成、交通量、車種構(gòu)成等）進行具體分析，得到該路段單元非道路動態(tài)突出因素，并確定各突出因素發(fā)生黑點的編碼等級.根據(jù)具體情況確定其在何種情況下為事故黑點.

在2007津圍公路事故數(shù)據(jù)中，某一事故黑點路段收集了8件典型事故案例，對其中的原因進行了初步的分析，其中的原因可以看成是利用粗集理論決策的條件集，其非道路動態(tài)因素分為車輛速度、光照條件、天氣情況、車種構(gòu)成、飽和度（交通量）、風速等6個方面，記為C＝｛x1，x2，x3，x4，x5，x6｝，以事故的嚴重程度作為決策集，記為D＝｛y｝.其中，x1為車輛速度（0表示不超速，1表示違章超速）；x2為光照條件（0表示白天光照充足，1表示夜間有光照，2表示夜間無光照）；x3為天氣情況（0表示良好，1表示惡劣，如風、雨、雪、霧、沙塵等）；x4為車種構(gòu)成（0表示小型車，1表示大中型車）；x5為飽和度（0表示飽和度C≤1，1表示飽和度C≥1）；x6為風速（0表示三級及三級以下，1表示三級以上六級及六級以下，2表示六級以上）；y為事故的嚴重程度（0表示輕微事故，1表示一般事故，2表示重大事故），見圖2.由此得出決策表，見表3.

圖2 動態(tài)因素變量及其等級編碼

表3 黑點路段事故誘因分析決策表

根據(jù)重要度公式計算表中屬性的重要性.得到條件屬性x1，x2，x3，x4，x5相對于決策屬性y比較重要，其中違章超速的重要度最高，而條件屬性x6即風速對決策屬性y不重要，可以忽略.由此可以得到表4.

表4 黑點路段事故決策表

續(xù)表4

根據(jù)大量事故數(shù)據(jù)的統(tǒng)計分析，得出如下規(guī)則：在沒有超速違章的情況下（即x1為0），決策屬性為0表示五項編碼之和為0或1或2，決策屬性為1表示五項編碼之和為3或4，決策屬性為2表示五項編碼之和為5；在有超速違章的情況下（即x1為1），決策屬性為0表示五項編碼之和為0或1，決策屬性為1表示五項編碼之和為2或3，決策屬性為2表示5項編碼之和為4或5.決策屬性y為2（即可能發(fā)生重大事故時）系統(tǒng)將會預(yù)警.

根據(jù)上述分析，可確定該單元在決策屬性為2所對應(yīng)條件屬性的情況下為事故黑點.此時該路段發(fā)生交通事故的概率比較大，可以向該路段的道路使用者發(fā)出預(yù)警.交通事故黑點的條件屬性較多，例如車輛速度、光照條件、天氣情況、駕駛員構(gòu)成、交通量、車種構(gòu)成等等，能否獲取準確的條件屬性狀態(tài)將對事故黑點的判斷產(chǎn)生極其重要的影響.

4 結(jié)束語

采用GA－BP神經(jīng)網(wǎng)絡(luò)與粗糙集理論相結(jié)合開發(fā)了單元交通事故預(yù)測模型，兩種理論的有機結(jié)合與應(yīng)用能夠克服各自的缺點.駕駛員構(gòu)成、天氣照明情況、交通量、車種構(gòu)成、車速等這些對道路交通事故顯然具有直接影響的因素，在第一階段預(yù)測模型中部分因素很難量化，將其代入第二階段的粗糙集模型中進行分析，將道路的靜態(tài)突出因素與非道路的動態(tài)突出因素有機結(jié)合，以準確預(yù)測事故黑點的目的.在預(yù)先建立的靜態(tài)模型基礎(chǔ)上考慮動態(tài)因素建立動態(tài)模型的方法，可以減少數(shù)據(jù)庫的樣本量，大大提高預(yù)測精度.

如何準確獲取條件屬性將對模型產(chǎn)生很大影響，因此在以后模型應(yīng)用過程中，應(yīng)根據(jù)各地道路的具體情況選擇準確全面的條件屬性影響因素.

［1］劉玉增，張殿業(yè).基于遺傳算法的交通事故黑點排查方法［J］.交通運輸工程與信息學(xué)報，2005，3（2）：1－7.

［2］秦利燕，邵春福，趙 亮.道路交通事故宏觀預(yù)測模型［J］.武漢理工大學(xué)學(xué)報：交通科學(xué)與工程版，2009，34（1）：154－157.

［3］邵祖峰.道路交通事故黑點路段整改措施及其確定方法［J］.森林工程，2008，24（5）：39－42.

［4］Bruce A W，timothy D C.Evolving space filling curves to distribute radial basis functions over an input space ［J］.IEEE Transactions on Neural Networ ks，1994（5）：15－23.

［5］Wong Jinn－Tsai，Chung Yi－Shih.Rough set approach for accident chains exploration［J］.Accident Analysis＆ Prevention，2007，39（3）：629－637.

［6］Mannan M S，SC M，Kar I M M.Road accidents in metropolitan Dhaka，Bangladesh ［J］.IATSS Research，1999，23（2）：91－94.

［7］裴玉龍，丁建梅.鑒別道路交通事故多發(fā)點的突出因素法［J］.中國公路學(xué)報，2005，18（3）：99－103.

［8］肖 慎，過秀成，徐建東.模糊聚類法在公路交通事故黑點成因分析中的應(yīng)用［J］.交通運輸系統(tǒng)工程與信息，2002，2（3）：40－43.

［9］潘昭宇，過秀成，盛玉剛.灰色關(guān)聯(lián)分析法在公路交通事故黑點成因分析中的應(yīng)用［J］.交通運輸工程與信息學(xué)報，2008，6（3）：96－101.

［10］張 鵬，張 靖，劉玉增.粗集在交通事故黑點成因分析中的應(yīng)用［J］.電子科技大學(xué)學(xué)報，2007，36（2）：267－270.

［11］劉安業(yè)，王要武，張 磊.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通事故多發(fā)點鑒別新方法［J］.土木工程學(xué)報，2008，41（6）：108－111.

［12］孫科達.基于GA的BP神經(jīng)網(wǎng)絡(luò)道路交通事故預(yù)測模型研究［D］.杭州：浙江工業(yè)大學(xué)信息工程學(xué)院，2008.