公路隧道群交通事故非線性綜合預(yù)測方法研究

楊 健，陽富強(qiáng)，沈斐敏

(1.福州大學(xué)土木工程學(xué)院，福建 福州 350116；2.福州大學(xué)環(huán)境與資源學(xué)院，福建 福州 350116)

公路隧道群交通事故非線性綜合預(yù)測方法研究

楊 健1,2，陽富強(qiáng)2，沈斐敏2

(1.福州大學(xué)土木工程學(xué)院，福建 福州 350116；2.福州大學(xué)環(huán)境與資源學(xué)院，福建 福州 350116)

以沈海高速羅長段隧道群交通事故為預(yù)測對象，以相對交通事故頻數(shù)為預(yù)測目標(biāo)，針對隧道群交通系統(tǒng)非線性、動態(tài)的特點，研究基于BP神經(jīng)網(wǎng)絡(luò)的交通事故非線性綜合預(yù)測方法.結(jié)果表明，非線性綜合預(yù)測方法能綜合指數(shù)平滑模型、非線性回歸模型、灰色馬爾科夫模型等單一預(yù)測模型的有效隱含信息，提高交通事故的預(yù)測精度，為優(yōu)化交通事故預(yù)測技術(shù)指出新方向.通過該方法預(yù)測，隨著交通量的增加，未來3年(2016-2018年)羅長高速隧道群交通事故頻數(shù)將呈現(xiàn)先下降后急劇上升的變化過程.

隧道群；相對交通事故頻數(shù)；非線性預(yù)測；綜合預(yù)測方法

0 引言

近年來，我國公路隧道建設(shè)得到飛速發(fā)展，施工技術(shù)日益成熟，公路隧道總長持續(xù)高速增長，平均年增速度超過24%，到2015年底，公路隧道共計14 006處，長達(dá)1 268.39萬延米[1].但與隧道建設(shè)高速發(fā)展鮮明對比的是，我國公路隧道運(yùn)營管理技術(shù)較國外先進(jìn)水平還存在不少差距[2].與此同時，由于公路隧道結(jié)構(gòu)設(shè)施復(fù)雜、地理位置偏僻、逃生疏散困難，一旦發(fā)生事故往往造成慘重的人員傷亡和重大的財產(chǎn)損失，因此隧道運(yùn)營安全問題日益顯現(xiàn)[3].事故預(yù)測是隧道運(yùn)營安全管理的一項基礎(chǔ)工作，旨在對已發(fā)生事故歷史資料的統(tǒng)計和分析，采取有效的預(yù)測技術(shù)和手段，分析事故發(fā)生的規(guī)律特性，從而對事故的未來狀態(tài)進(jìn)行估計和推測[4].根據(jù)預(yù)測結(jié)果制定相應(yīng)的預(yù)控措施，降低事故發(fā)生的可能性，起到防患于未然的效果.可以說，事故預(yù)測技術(shù)的發(fā)展對提高隧道運(yùn)營管理技術(shù)具有重要的促進(jìn)作用.

當(dāng)前，國際上公認(rèn)的經(jīng)典交通事故預(yù)測模型有Smeed模型[5]、Alligaier模型[6]、Navin模型[7]、Oppe模型[8]等等.但這些模型均僅從交通安全系統(tǒng)的某一個側(cè)面反映問題，不能很好適用于國內(nèi)隧道群交通系統(tǒng).此外，國內(nèi)外學(xué)者還提出許多確定型或非確定型的單一預(yù)測模型，例如灰色模型、回歸模型、時間序列模型、馬爾科夫模型、指數(shù)平滑模型等等.但這些單一模型各有特點，且在不同時刻表現(xiàn)出不同的精度，單純依據(jù)某一判定標(biāo)準(zhǔn)選取或舍棄某種模型，勢必會造成部分有用信息的丟失[9].另外，公路隧道群交通系統(tǒng)是一個非線性、動態(tài)、復(fù)雜的“巨系統(tǒng)”，受眾多錯綜復(fù)雜因素的影響，如果試圖使用某一種預(yù)測模型來擬合或預(yù)測交通事故的變化規(guī)律是十分困難的[10].Bates和Granger最早提出綜合預(yù)測(也稱復(fù)合預(yù)測或組合預(yù)測)的思想[11]，它將不同的單一事故預(yù)測模型以適當(dāng)?shù)男问竭M(jìn)行融合，綜合單個模型的有用隱含信息，使其適用于交通事故時間序列預(yù)測，改善預(yù)測效果[12].但如何構(gòu)建綜合預(yù)測模型，需要進(jìn)一步深入研究.

本研究以沈海高速羅長段隧道群為背景，采用綜合預(yù)測方法對公路隧道群交通事故發(fā)展趨勢進(jìn)行預(yù)測.首先分析指數(shù)平滑、非線性回歸、灰色模型等單一預(yù)測模型對公路隧道群交通系統(tǒng)內(nèi)部規(guī)律的描述，并對其進(jìn)行優(yōu)化改進(jìn)，而后建立基于BP神經(jīng)網(wǎng)絡(luò)的非線性綜合預(yù)測模型.最后通過對各種模型預(yù)測結(jié)果精度進(jìn)行對比分析，驗證綜合預(yù)測方法的可行性和有效性.

1 預(yù)測對象及指標(biāo)

選取沈海高速羅長段(羅長高速)隧道群的交通事故為預(yù)測對象.羅長高速具有交通量大、橋隧占比高、地形復(fù)雜、交通事故頻發(fā)的特點，全線共有隧道14座，于2002年12月20日正式通車.通過調(diào)研，鑒于通車伊始交通量偏少，故舍棄起始3年的數(shù)據(jù)，以2005-2015年的交通事故數(shù)據(jù)作為預(yù)測對象的樣本容量.

表1 2005-2015年羅長高速公路隧道群交通事故 統(tǒng)計數(shù)據(jù)Tab.1 Statistical data of traffic accident in highway tunnel group (2005 to 2015)

公路隧道群交通系統(tǒng)是受眾多因素交錯影響的復(fù)雜系統(tǒng)，但要把所有因素都考慮進(jìn)來是難以實現(xiàn)的，同時也會大大減少樣本量[13].從統(tǒng)計學(xué)的角度，公路隧道交通量越大，發(fā)生交通事故頻數(shù)或幾率也越大，故應(yīng)考慮交通量對交通事故頻數(shù)的影響.鑒于實時交通量數(shù)據(jù)獲取難度大，選取福建省機(jī)動車輛保有量來近似表征交通量，從而得到相對交通事故頻數(shù).選取公路隧道群相對交通事故頻數(shù)為預(yù)測指標(biāo)，樣本數(shù)據(jù)詳見表1.

2 單一預(yù)測模型

2.1 指數(shù)平滑模型

根據(jù)式(1)，所得計算結(jié)果詳見表2，其擬合平均誤差為20.98%，預(yù)測誤差為36.61%，精度較低.

表2 各預(yù)測模型預(yù)測結(jié)果對比分析數(shù)據(jù)表Tab.2 Data of comparison and analysis of the forecast results of each forecast model

注:各模型實際值和擬合值的單位均為起·萬輛-1

2.2 非線性回歸模型

根據(jù)非線性回歸模型理論，以樣本數(shù)據(jù)中2005-2013年的相對交通事故頻數(shù)x為因變量，相應(yīng)的年份t為自變量，則對某個觀測變量(ti,xi),i=1，2，…，n，可表示為：

根據(jù)式(3)，所得計算結(jié)果詳見表2，其擬合平均誤差為8.75%，預(yù)測誤差為18.06%，精度一般.

2.3 改進(jìn)灰色模型GM(1，1)

灰色預(yù)測方法是一種對數(shù)據(jù)序列動態(tài)的分析方法，計算簡便、快捷，但對數(shù)據(jù)序列的要求較高，且長期預(yù)測的精度較差[15].而馬爾科夫模型對于波動性較大的數(shù)據(jù)序列預(yù)測精度較高，基于灰色預(yù)測方法構(gòu)建灰色馬爾科夫模型[16].故本文首先進(jìn)行灰色模型GM(1，1)預(yù)測，而后用馬爾科夫鏈對預(yù)測結(jié)果進(jìn)行優(yōu)化，以提高預(yù)測精度.

利用Matlab編程建立灰色模型GM(1，1)，以2005-2013年的相對事故頻數(shù)作為樣本數(shù)據(jù)，所得計算結(jié)果詳見表2，其擬合平均誤差為12.23%，預(yù)測誤差41.57%，精度較差.因此，以灰色模型的預(yù)測值作為馬爾科夫模型的樣本數(shù)據(jù)對預(yù)測結(jié)果進(jìn)行優(yōu)化.根據(jù)擬合誤差將數(shù)據(jù)序列劃分為3個狀態(tài)，并建立轉(zhuǎn)移概率矩陣，用每個預(yù)測灰區(qū)間的中位數(shù)作為下一時刻預(yù)測值的相對值.所得灰色馬爾科夫預(yù)測的計算結(jié)果詳見表2，其擬合平均相對誤差為8.36%，預(yù)測誤差為14.94%，精度一般，但明顯優(yōu)于灰色模型.

3 非線性綜合預(yù)測模型

3.1 綜合預(yù)測理論設(shè)計

假定為公路隧道群交通事故預(yù)測提供n種單一預(yù)測模型，第i(i∈n)種單一預(yù)測模型可表示為從m維歐式空間的一個子集X到n維歐式空間子集Y的映射[17]，即：

式中：ψti表示t時刻第i種單一公路預(yù)測模型的隧道交通事故預(yù)測值.

根據(jù)單一預(yù)測模式的映射原理，對于t時刻公路隧道群交通事故預(yù)測值，用組合函數(shù)表示為：

式中：yt表示t時刻綜合預(yù)測模式下公路隧道群交通事故預(yù)測值.式(5)為公路隧道群交通事故綜合預(yù)測模式函數(shù)關(guān)系式，而如何構(gòu)建函數(shù)F(x)，是綜合預(yù)測模型的核心研究問題.

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的綜合預(yù)測模型

事實上，在構(gòu)建綜合預(yù)測模型時，難以確定一個穩(wěn)定的、統(tǒng)一的非線性顯式函數(shù)F(x)來滿足交通系統(tǒng)的所有動態(tài)變化需求，故函數(shù)F(x)自身也應(yīng)具有動態(tài)性、非線性和自適應(yīng)性的特點.BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)，具有高度非線性映射能力、容錯能力和自適應(yīng)能力，即給定?ε>0和任意L2函數(shù)f:[0，1]n→Rm，均存在一個BP神經(jīng)網(wǎng)絡(luò)，使得在任意ε平方誤差內(nèi)逼近f.因此，利用BP神經(jīng)網(wǎng)絡(luò)的非線性逼近能力，確定非線性函數(shù)F(x).模型的構(gòu)建分以下幾步實現(xiàn)：

圖1 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure of three layers neural network

Step1 確定網(wǎng)絡(luò)結(jié)構(gòu).研究證明，各層均采用S型函數(shù)的3層BP神經(jīng)網(wǎng)絡(luò)可對任意復(fù)雜的非線性函數(shù)的逼近問題進(jìn)行處理[18].將上述三種單一預(yù)測模型得到的預(yù)測值作為輸入因子，各年公路隧道群相對交通事故頻數(shù)的實際值作為輸出因子，即輸入神經(jīng)單元數(shù)為3，輸出神經(jīng)單元數(shù)為1，則構(gòu)成了3-j-1結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型.而隱含層神經(jīng)元的數(shù)目j的確定目前沒有一個統(tǒng)一的結(jié)論，增加隱含層的神經(jīng)個數(shù)可以提高預(yù)測模型的精度，但同時會降低網(wǎng)絡(luò)訓(xùn)練的效率[18].結(jié)合此觀點并通過試算，確定當(dāng)隱含層的神經(jīng)元數(shù)目為10時，模型精度和收斂速度均能滿足較好的要求.即構(gòu)成三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示.

Step2 建立學(xué)習(xí)樣本矩陣.由前述3種單一預(yù)測方法得出2006-2013年的擬合值構(gòu)成的輸入學(xué)習(xí)樣本矩陣，如下所示：

Step3 選取訓(xùn)練學(xué)習(xí)算法參數(shù).選取Tansig-purelin為激活函數(shù)，采用加動量項因子改進(jìn)最速下降法的Traingdx訓(xùn)練函數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)連接權(quán)系數(shù)和網(wǎng)絡(luò)閾值訓(xùn)練和學(xué)習(xí).訓(xùn)練時，訓(xùn)練學(xué)習(xí)次數(shù)k=10 000次，學(xué)習(xí)速率η=0.01、訓(xùn)練精度E=0.000 1.

Step4 綜合預(yù)測結(jié)果輸出.利用MATLAB編制程序，進(jìn)行訓(xùn)練學(xué)習(xí)，收斂后得到輸出層的預(yù)測值，所得結(jié)果填入表2，其擬合平均誤差為0.09%，預(yù)測誤差為1.82%，預(yù)測精度高.

4 結(jié)果對比分析

圖2 各類預(yù)測模型的預(yù)測結(jié)果對比Fig.2 Comparison of prediction results of each forecasting model

上述各單一預(yù)測模型、綜合預(yù)測方法的預(yù)測結(jié)果和實際值的對比，如圖2所示.

由圖2可得以下3個主要結(jié)果：

1)各單一預(yù)測方法中，三次指數(shù)平滑、非線性回歸和灰色模型的擬合和預(yù)測精度無一致性，且預(yù)測結(jié)果均不大理想.特別是灰色模型的預(yù)測誤差超過了40%，但通過與馬爾科夫模型結(jié)合，預(yù)測精度得到明顯提升，預(yù)測平均誤差小于15%.表明綜合模型用于公路隧道群事故預(yù)測的思路是可行的，它能夠綜合各單一模型的有效隱含預(yù)測信息，提高預(yù)測精度.

2)基于BP神經(jīng)網(wǎng)絡(luò)的非線性綜合預(yù)測模型相較于單一預(yù)測模型的預(yù)測精度有更進(jìn)一步提高，表明具有高度非線性映射能力的BP神經(jīng)網(wǎng)絡(luò)能夠用于建立綜合預(yù)測模型，很好地滿足了公路隧道群交通系統(tǒng)的非線性、動態(tài)變化的需求.

表3 相對交通事故頻數(shù)預(yù)測值
Tab.3 Forecast value of relative traffic accident frequency

年份201620172018預(yù)測值0.96580.63521.3459

3)根據(jù)非線性綜合預(yù)測模型，再以2005-2015年的公路隧道群相對交通事故頻數(shù)為預(yù)測訓(xùn)練樣本，預(yù)測了未來3年(2016-2018年)相對交通事故，預(yù)測結(jié)果如表3所示.可以看出，受交通量、道路狀況、管理水平、工程技術(shù)等各種因素的影響，交通事故頻數(shù)依然居高不下.

5 結(jié)語

1)以羅長高速公路隧道群2002-2015年相對交通事故頻數(shù)為樣本數(shù)據(jù)，構(gòu)建指數(shù)平滑預(yù)測模型、非線性回歸預(yù)測模型和灰色馬爾科夫預(yù)測模型等預(yù)測模型，對比分析各模型的擬合和預(yù)測精度，表明各模型具有各自特點，均能為預(yù)測提供相應(yīng)的有效隱含信息.

2)研究基于BP神經(jīng)網(wǎng)絡(luò)的非線性綜合預(yù)測方法，通過與單一預(yù)測模型的對比分析，發(fā)現(xiàn)綜合預(yù)測模型預(yù)測精度明顯優(yōu)于其他單一預(yù)測模型，表明基于BP神經(jīng)網(wǎng)絡(luò)的非線性綜合預(yù)測方法能夠滿足公路隧道群交通系統(tǒng)的非線性動態(tài)需求，達(dá)到優(yōu)化預(yù)測結(jié)果的目的.

3)根據(jù)綜合預(yù)測結(jié)果，未來3年(2016-2018年)相對交通事故分別是0.965 8、0.635 2和1.345 9，也即在2017年相對事故頻數(shù)得到較好控制，但在2018年將會有較大增加.若以過去3年福建省人均汽車保有量的平均增長率進(jìn)行推測，2016-2018年的交通事故數(shù)分別為431起、334起、832起.表明羅長高速隧道群交通事故依然保持高發(fā)態(tài)勢，特別是在2018年將達(dá)到峰值，應(yīng)引起足夠重視，采取相應(yīng)預(yù)控措施.

[1] 中華人民共和國交通運(yùn)輸部.2015年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計公報[EB/OL].(2016-05-06)[2016-09-28].http://zizhan.mot.gov.cn/zfxxgk/bnssj/zhghs/201605/t20160506_2024006.html.

[2] 詹偉.山區(qū)高速公路長大隧道群區(qū)域交通安全保障技術(shù)研究[D].杭州：浙江大學(xué)，2013.

[3] 楊健，陽富強(qiáng)，沈斐敏.基于改進(jìn)DSmT理論的公路隧道行車安全綜合評價方法研究[J].中國安全科學(xué)學(xué)報，2016，26(8):116-121.

[4] 陳玉祥，張漢亞.預(yù)測技術(shù)與應(yīng)用[M].北京:機(jī)械工業(yè)出版社，1985.

[5] SMEED R J.The usefulness of formulate in traffic engineering and road safety[J].Accident Analysis and Prevention，1972，4(4):303-312.

[6] MINTER A L.Road casualties-improvement by learning processes[J].Traffic and Control，1987(2):74-79.

[7] NAVIN F，BERGAN A，ZHANG G.Road safety model:some fundamental ideas in transportation research record [J].Transportation Research Record Journal of the Transportation Research Board，1996，1 563(1):48-57.

[8] OPPE S.Development of traffic and traffic safety:global trends and incidental fluctuations [J].Accident Analysis and Prevention，1991，23(5):413-422.

[9] 王孟蓮，梁樹甜，牛璐.最優(yōu)組合預(yù)測方法在船舶電推系統(tǒng)中的應(yīng)用[J].電機(jī)與控制學(xué)報，2015，19(9):103-107.

[10] 易富君.公路隧道群事故預(yù)防管理核心理論研究[D].南京:東南大學(xué)，2012.

[11] BATES J M，GRANGER C W J，The combination of forecasts[J].Journal of the Operational Research Society，1969，20 (4):451-468.

[12] 葛志鵬，李銳，張健，等.基于時間序列與GSVMR模型的短時交通量組合預(yù)測[J].長安大學(xué)學(xué)報(自然科學(xué)版)，2015，35(增刊1):222-226.

[13] 鐘連德.高速公路事故預(yù)測模型研究[D].北京:北京工業(yè)大學(xué)，2008.

[14] 福建省統(tǒng)計局.年度數(shù)據(jù)[EB/OL].(2016-08-30)[2016-09-30].http://www.stats-fj.gov.cn/xxgk/ndsj/.

[15] 鄧聚龍.灰色系統(tǒng)基本方法[M].武漢:華中理工大學(xué)出版社，1996.

[16] FREEDMAN D.Markov Chains[M].New York:Spring，1983.

[17] 李相勇.道路交通事故預(yù)測方法研究[D].成都：西南交通大學(xué)，2004.

[18] 聶小沅，李德建.基于BP神經(jīng)網(wǎng)絡(luò)與GM(1，1)模型組合算法的橋梁耐久性預(yù)測[J].鐵道科學(xué)與工程學(xué)報，2015，12(4):839-844.

(責(zé)任編輯：蔣培玉)

Study on nonlinear integrated forecasting method of traffic accidents in highway tunnel group

YANG Jian1,2，YANG Fuqiang2，SHEN Feimin2

(1.College of Civil Engineering，F(xiàn)uzhou University，F(xiàn)uzhou，F(xiàn)ujian 350116，China；2.College of Environments and Resources，F(xiàn)uzhou University，F(xiàn)uzhou，F(xiàn)ujian 350116，China)

In order to forecast the traffic accidents of tunnel group in Luoyuan-Changle section of Shenyang-Hainan highway.Considering the characteristics of nonlinear and dynamic of the traffic system in tunnel group,the method of nonlinear integrated forecasting based on BP neural network was studied,and the relative traffic accident frequency was regarded as forecast target.The results show that nonlinear integrated forecasting model can integrate effective implicit information from single forecast model such as exponent smooth model,nonlinear regression model and Grey Markov model.The accuracy of forecast is improved by this method,and a new way is pointed out for optimize the traffic accident prediction technology.By this method,with the increase of traffic volume,the traffic accident frequency in this tunnel group will first decreased and then increased sharply in the next 3 years(2016-2018).

tunnel group; relative traffic accident frequency; nonlinear forecasting; integrated forecasting method

10.7631/issn.1000-2243.2017.02.0226

1000-2243(2017)02-0226-05

2016-11-04

沈斐敏(1951-)，教授，主要從事事故預(yù)測與預(yù)防、安全系統(tǒng)工程的研究，feimshen@sina.com

國家自然科學(xué)基金資助項目(5130405)；福建省交通運(yùn)輸科技項目(201526)；福建省教育廳科技項目(JAT160090)

X951

A