基于神經網絡的交通事故嚴重程度影響因素研究

葉 飛，張冬梅，郭寶義

(長安大學汽車學院，陜西西安 710064)

我國每年死于交通事故的人數高居世界首位，大量的交通事故已經嚴重影響到國民經濟的快速發展，威脅到人民的生命財產安全[1]。交通安全研究的目的不僅在于如何預防交通事故的發生，而且還要研究如何降低交通事故的嚴重程度。交通事故的發生具有隨機性和偶然性，因此研究如何最大可能地降低交通事故的危害程度十分必要[2]。交通事故嚴重程度的影響因素主要包括人、車、路、環境及交通流特征等[3]。越來越多的學者關注駕駛員行為、道路條件和氣候條件與交通事故嚴重程度的關系，但多數只是從定性的角度分析，沒有定量方面的具體研究。文獻[2]通過神經網絡方法研究了高速公路隧道交通事故嚴重程度的影響因素；文獻[4]通過主成分分析法研究了高速公路交通事故嚴重程度與交通流特征的關系；文獻[5]通過一系列人工神經網絡方法預測了道路交通事故嚴重程度的重要影響因子，給出了基于不同事故嚴重程度級別界定方法的八種預測模型，相對于將事故嚴重程度等級分為五級來說，給出的模型具有較好的預測能力；文獻[6]運用多層感知器神經網絡分析信號交叉口交通事故的嚴重程度，相對于多元Logit模型來說，多層感知器神經網絡模型具有更高的精度。

交通事故受到各方面因素的綜合影響，各因素間關系錯綜復雜，很難明確界定各因素對事故嚴重程度影響的具體大小。本文以交通事故嚴重程度為研究對象，從人、車、路(環境)及交通流特征等方面選擇12個輸入參數，建立具有3層感知器(MLP)結構的前饋神經網絡模型，通過訓練優化檢驗模型擬合優度，分析各獨立因素對交通事故嚴重程度影響的大小，為交通安全研究和政策導向提供一定的決策依據。

1 模型建立

以陜西省境內某高速公路2007年—2009年3 a間發生的1 000起交通事故為研究對象。該高速公路為雙向4車道，統計路段全長78 km，設計行車速度為120 km/h。事故記錄信息中包含日期(是否節假日)、天氣狀況、駕駛員人口統計學相關信息、事故車輛信息、事故現場道路相關信息、交通流狀況等。

1.1 輸入參數

根據事故統計信息，考慮道路交通事故嚴重程度影響因素的一般分析方法，從人、車、路系統綜合角度出發，在獲得的數據條目中選取人、車、路(環境)及交通流特征等方面的12項作為輸入參數，鑒于所選取的事故數據中事發地的道路幾何線形與普通路段幾何線形情況接近，道路幾何線形將不作為考慮因素。事故信息以相關記錄為準，少量缺損部分做近似處理，輸入參數包括數值數字和邏輯數字，經一致化處理后的預測模型輸入參數分類及編碼見表l。表1中交通流主成分為交通狀況正常情況下每h通過事故發生點斷面的大車車輛數，輛/h，此處用來表征交通流特征。

表1 模型輸入參數分類及編碼

1.2 輸出參數

從交通事故中人身傷亡和財產損失程度角度出發，我國將交通事故分為特大事故、重大事故、一般事故和輕微事故4個等級。交通事故的發生是隨機小概率事件，特大事故和重大事故的發生概率非常低，從交通事故統計資料上看，無法判斷某起交通事故屬于哪個等級。為了便于研究，將交通事故的嚴重程度分為死亡事故、受傷事故和僅財產損失事故3種類型，輸出參數分類及編碼如表2所示。

表2 模型輸出參數分類及編碼

1.3 模型描述

人工神經網絡具有強大的非線性映射能力和自組織、自適應、自學習能力，可以有效地解決復雜、非線性系統的功能模擬問題，方便尋找系統輸入屬性與輸出屬性之間的影響因子。多層感知器神經網絡是一種前饋人工神經網絡模型，它將輸入的多個數據集通過輸入與輸出之間的多層加權連接映射到單一的輸出數據集上。MLP模型由包含權矩陣W、偏差向量b和輸出向量pi(i>1)的雙層感知器構成，圖1顯示了該MLP模型各層中最終選中的模型，模型中變量的上標為其所在層的層數[7]。

同時，參數權重和網絡中其它元素的來源(第二指數)和目標(第一指數)也以上標的形式標識。與輸入向量p1相連接的權矩陣稱作輸入權矩陣(IW1,1)，具有來源1(第二指數)和目標1(第一指數)。層1的元素帶有上標1，例如偏差、網絡輸入和輸出，表示元素與層1相關聯。

模型中使用了權重層矩陣和輸入權重矩陣。數據被隨機分成2部分：訓練用數據和驗證用數據。根據輸入參數個數可知該MLP模型第一層為輸入層，具有12個輸入；第二層為隱含層，隱含層的神經元數目選擇是一個十分復雜的問題，往往需要根據設計者的經驗和多次試驗來確定，因而不存在一個理想的解析式來表示，按照公式2N+1個選取(N為輸入神經元的個數)[8]，確定其具有25個神經元；第三層為輸出層，具有3個神經元，代表輸出參數相對應的3種不同事故的嚴重程度。

圖1 MLP神經網絡模型結構圖

常數1被賦給每一個神經元的偏差向量，默認每一個中間層的輸出將作為下一層的輸入，那么，層2可以看成是包含有25個輸入、3個神經元以及3×25的權矩陣W2的層，在這種情況下，隱含層2為p2。層2中的所有向量和矩陣都已做了標注，可以看做是基于自身的單層網絡模型。多層感知器神經網絡的各層在預測過程中起著不同的作用，這種雙層網絡在反向傳播中被廣泛使用。將層2的輸出量p3稱作變化率輸出并標記為y。

該模型的目標是降低誤差e，T為目標向量，e為向量T和輸出向量pi(i>1)之間的差異。基于感知器前饋神經網絡的學習算法，通過感知器學習模式可計算出感知器權重和偏差的期望變化(輸出目標)，給出輸入向量p1以及相應的誤差e。網絡訓練的目的是通過最小均方誤差(△MSE)函數調整線性網絡的權重和偏差，將這些誤差之和的平均值最小化。

1.4 擬合優度檢驗數學模型

對所建立的網絡模型進行擬合優度檢驗，比較其驗證結果與交通事故實際嚴重程度比例的吻合程度。通過誤差平方和(SSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)、相關系數(R)4種擬合優度檢驗方法對已建立的網絡模型同時進行檢驗，選擇擬合優度較好的算法進行試用[9]。

1)SSE檢驗法。SSE用于描述驗證結果與實際發生情況之間的總誤差平方和，也即離差平方和ISSE,表示為

(1)

ISSE接近0表示該模型具有較小的隨機誤差成分，具有更高的精度。

2)RMSE檢驗法。RMSE法也稱作標準差法，估量來自數據中隨機成分的標準誤差△RMSE，定義為

(2)

如同ISSE一樣，△RMSE值越接近0，表示預測模型越適用，RMSE是一種經常被用來測量模型預測值和實際觀測值之間差別的方法。

3)MAE檢驗法。MAE法估計平均絕對誤差，即估計值與真實值差的絕對值的平均值MAE，定義為

(3)

4)R檢驗法。相關系數矩陣R表示變量之間線性關系的顯著性，R由輸入矩陣X計算而來，X的行變量為觀測值，列變量為變量值，矩陣R與X的協方差矩陣C=cov(X)有關，表示為

(4)

式中 C(i，j)為矩陣C的第i行第j列元素；C(i，i)為矩陣C的第i行第i列元素；C(j，j)為矩陣C的第j行第j列元素。

相關系數值為-1～1，接近1表示變量之間具有正的線性相關性，接近-1表示變量之間具有負的線性相關性，接近或者等于0表示變量之間的線性關系不存在。

2 MLP模型求解

基于MATLAB神經網絡工具箱，針對圖1中所示的MLP模型，定義輸入輸出參數，根據事故數據對模型進行訓練，訓練階段使用70%的原始數據，驗證階段使用30%的原始數據。

式中 f3為線性(pureline)傳輸函數。

△MSE的最大下降率所處的迭代點的更新連接權重系數[10]的計算公式為

3 結果分析

3.1 相關性分析

從模型輸出結果中選取與訓練樣本相對應的等量樣本，通過MATLAB軟件對部分輸入參數與事故嚴重程度之間的相關性進行分析，在MATLAB軟件中的處理過程為：

StdX=std(X)；%標準化處理，

VarX=var(X)；%得到方差矩陣，

…

RX=corrcoef(X)；%計算相關系數矩陣。

得到駕駛員年齡、事故類型、駕駛員性別、路面情況、交通流特征、天氣情況等與交通事故嚴重程度之間的相關性系數R分別為0.766、0.495、0.817、0.966、0.992、0.959。可見建立的神經網絡模型很好地實現了復雜影響因子與交通事故嚴重程度之間的映射關系。駕駛員性別、駕駛員年齡、事故類型與交通事故嚴重程度的相關系數R<0.95，相關性不顯著，對交通事故嚴重程度的影響可以忽略不計；天氣情況、路面情況與交通事故嚴重程度的相關系數R∈(0.95，0.99)，相關性較顯著，天氣情況、路面情況對交通事故嚴重程度的影響程度基本相同；交通流特征與交通事故嚴重程度的相關性極顯著(R=0.992>0.99)，交通流特征對交通事故嚴重程度影響最大，交通流主成分值越大，交通事故嚴重程度等級越低，在某些流量大、速度高或大車比例較大的區段交通事故嚴重程度明顯處于較高的水平。

3.2 模型有效性檢驗

MLP網絡模型所有樣本的輸出值Y與目標輸出值T的回歸曲線以及總響應的回歸散點圖如圖2所示，回歸曲線方程為：Y=0.75T+0.082,圖2中Y=T表示MLP模型輸出值與目標輸出值之間最理想的線性關系，在MLP模型中總響應相關系數值為0.873 19。圖3為訓練和驗證階段的誤差曲線圖，可以看出，神經網絡迭代過程中的均方誤差開始從一個較大的值逐漸減小，說明網絡的學習能力在增強。在迭代次數為7次時驗證階段的誤差曲線到達最低點，出現最佳驗證效能，誤差值為0.086 670。當網絡記錄下訓練的設置之后，訓練結束，這種技術避免了很多優化和學習算法中出現的過度匹配困擾。

圖2 MLP模型回歸曲線圖及總響應 圖3 MLP模型中的驗證誤差

對所建立的感知器神經網絡模型進行擬合優度檢驗，基于模型輸出結果中選取的等量樣本數據以及訓練樣本數據，運用擬合優度檢驗數學模型(1)～(4)，得到ISSE、△RMSE、△MAE、R分別為123.437 30、0.229 79、0.161 78、0.873 19，△MAE和△RMSE數值極小，可以看出所建立的感知器神經網絡模型產生的誤差較小，是分析交通事故嚴重程度影響因素的有效方式。

圖4給出了針對死亡事故、受傷事故、僅財產損失事故3個嚴重程度等級的回歸曲線，3種事故樣本的模型輸出值Y相對于目標輸出值T的回歸曲線方程分別為Y=0.68T+0.016、Y=0.7T+0.94、Y=0.76T+0.012,同時給出了相應等級下的相關系數R分別為：0.837 23、0.851 37和0.884 93，僅財產損失事故等級的相關系數R明顯高于其它等級，分析結果與實際發生情況相符合，網絡模型能夠較好地適用于交通事故嚴重程度影響因素的分析。

圖4 MLP模型中各等級嚴重程度的回歸曲線

4 結論

1)以人、車、路(環境)及交通流方面的因素為輸入參數，以交通事故嚴重程度為輸出參數構建了人工神經網絡模型，通過對模型的訓練和驗證，并檢驗模型的擬合優度，求解回歸曲線及總響應，在12個輸入參數與交通事故嚴重程度之間建立了良好的相關性，相關系數R=0.873 19，表明模型有效。

2)駕駛員性別、年齡、事故類型與交通事故嚴重程度的相關性不顯著，天氣情況、路面情況與交通事故嚴重程度顯著相關，交通流特征與交通事故嚴重程度相關性極顯著(R=0.992)，準確分析這些因素造成的影響，將有助于改進交通工具和高速公路的設計，以減輕交通事故嚴重的程度。

3)建立的模型同樣適用于數據添加之后的分析，添加數據之后再使用該模型進行分析時，需要從初始權重矩陣和偏差矩陣重新計算出新的權重值和偏差值。

參考文獻：

[1]王洪明.我國公路交通事故的現狀及特征分析[J].中國安全科學學報，2009，19(10)：121-126.

[2]馬壯林， 邵春福， 董春嬌，等. 基于累積Logistic模型的交通事故嚴重程度時空分析[J].中國安全科學學報，2011，21(9)：94-99.

[3]Boufous S，Finch C，Hayen A，et al. The Impact of Environmental， Vehicle and Driver Characteristics on Injury Severity in Older Drivers Hospitalized as a Result of a Traffic Crash[J].Journal of Safety Research，2008，39(1)，65-72.

[4]侯樹展, 孫小端, 賀玉龍,等. 高速公路交通事故嚴重程度與交通流特征的關系研究[J].中國安全科學學報，2011，21(9)：106-112.

[5]Delen D，Sharda R，Bessonov M. Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Networks[J].Accident Analysis & Prevention，2006，38(3)，434-444.

[6]Abdel wahab H T，Abdel-Aty M A. Development of Artificial Neural Network Models to Predict Driver Injury Severity in Traffic Accidents at Signalized Intersections[J].Transportation Research Record，2001，1746：6-13.

[7]Kunt M M，Aghayan I，Noii N. Prediction for Traffic Accident Severity：Comparing the Artificial Neural Network，Genetic Algorithm，Combined Genetic Algorithm and Pattern Search Methods[J].Transport，2011，26(4)，353-366.

[8]Kawashima M.Artificial Neural Network Backpropagation Model with Three-Phase Annealing Developed for the Building Energy Predictor Shootout. ASHRAE Transactions, 1994, 100(2)：1095-1103.

[9]薛毅，陳立萍.統計建模與R軟件[M].北京：清華大學出版社，2007.

[10]Yeung D S，Cloete I，Shi D，et al. Sensitivity Analysis for Neural Networks：Natural Computing Series[M].Berlin：Springer，2009.