BP 神經網絡在交通工程安全評價中的應用

王 建

(重慶交通大學土木建筑學院，重慶 400074)

0 引言

交通運輸業在國民經濟中占有很大的比重，隨著其不斷發展，我國道路安全問題日益突出，對人們的財產和生命帶來了嚴重的威脅。因此制定合理的道路安全管理政策和機制，強化道路安全監管對減少交通事故尤為重要。而建立科學的交通安全評價體系，準確預測道路安全發展趨勢是制定交通安全策略和措施很重要的部分［1］。

在現有道路交通安全評價方法中，不能準確反映各因素間的相互關系，因素間權重系數的確定存在很多主觀因素。在現有評價指標中大多采用四大指標，即交通事故發生次數、受傷人數、死亡人數、直接經濟損失［2］，但隨著道路安全評價體系研究的發展，在指標選擇上不僅僅限于傳統的指標上，對評價方法和模型的建立提出了更高的要求。

本研究主要采用了BP神經網絡工具，對平均車速、最大縱坡度等等具體道路安全指標進行了建模分析，并利用訓練好的人工神經網絡模型對道路安全進行評價。人工智能方法的提出對道路安全評價方法提供了更多的選擇和思考，而且通過對道路安全發展趨勢的預測，從而為制定交通安全策略和措施提供了科學的理論方向。

1 BP神經網絡研究

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，其結構分為輸入層、中間層、輸出層。

傳統的BP神經網絡算法是基于對連接權值和闕值的不斷修正，其迭代過程可以表示為:

其中，X(k)為神經網絡闕值和權值形成的向量;λ為學習速率;F(X(n))為目標函數;·F(X(k))為目標梯度函數;n為迭代次數。但標準的BP神經網絡算法主要是針對非線性問題的優化，所以易存在局部極小問題，其收斂速度也慢［3］。為了改善其收斂特性，本文采用自適應學習率調整法進行改進。其迭代過程為:

其中，kinc為學習速率增量因子;kdec為學習速率減量因子;E(n)為網絡均方誤差;λ為學習速率。其法則為如果權值修正有助于減小誤差，說明應該加快學習速率。如果對減小誤差沒有多大幫助，則應該減慢學習速率。

2 BP網絡評價模型及樣本分析

1)影響道路交通安全的因素很多，在充分考慮道路條件、人、車、交通環境等因素下，以科學性、系統性、可行性為原則，確定平均車速、連續坡長、平曲線最小半徑、交叉口數、大型車比例、橋隧構造個數、最大縱坡度為道路安全評價指標［5］。

2)為了客觀表達道路交通的安全性，按交通事故等級，將輸出層神經元定為4個，即特大事故、重大事故、一般事故、輕微事故。輸入層神經元以上述7個指標為目標量，隱層神經元數目為15個。

3)按照式(1)對輸入—輸出向量進行歸一化處理，將輸入值處理到(0，1)區間內。

其中，mmax，mmin為樣本數據中各個指標的最大值和最小值;xi為相應指標的第 i個量;t，c均為參數，t=1 －2c，c=0.1。

4)輸出神經元數據進行歸一后，按照公式(2)對輸出值進行加權平均，為其安全評價量化。

其中，y1，y2，y3，y4均為輸出神經元輸出值;B為安全評價數值，安全評價等級為優、良、差，具體為:

優:0 ＜B≤0.25;良:0.25＜B≤0.5;差:0.5＜B。

根據測試數據進行實例分析，數據見表1。

表1 道路安全指標

將數據歸一化后，用訓練好的BP神經網絡模型進行評價，其結果為:

Y=［0.29，0.872 6，0.14，0.406］，進行反歸一運算以后，Y1=［1.427 5，55.047 75，15.55，15.244］，并將 Y 輸出數據代入式(2)運算，B=0.44，安全性等級評價結果及誤差見表2。

表2 誤差分析

其評價結果與實際數據相差不大，總體誤差在可接受范圍內，評價結果可以接受。

3 結語

道路安全評價指標的合理性和科學性是影響安全評價的一個重要因素。通過實例路段的評價結果證明了可以運用BP神經網絡并結合道路線形中的最大縱坡度、連續坡長、平均車速等指標能夠對道路安全評價進行量化，其結果具有合理性。

［1］張 巍.基于BP人工神經網絡的道路安全評價研究［D］.西安:長安大學，2006.

［2］郭忠印，方守恩.道路安全工程［M］.北京:人民交通出版社，2003.

［3］李曉峰，劉光中.人工神經網絡BP算法的改進及其應用［J］.四川大學學報，2000(3):35-36.

［4］史忠植.神經網絡［M］.北京:高等教育出版社，2009.

［5］劉運通.道路交通安全指南［M］.北京:人民交通出版社，2004.