基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型研究

聶華偉 鄧 捷 廖曉梅

（貴州交通職業(yè)技術(shù)學(xué)院，貴州 貴陽551400）

隨著機動車的快速普及，路網(wǎng)的不斷完善，成為人類社會經(jīng)濟生活不可缺少的工具，為人類發(fā)展帶來了便利，但是交通安全問題卻日漸突出，導(dǎo)致的交通事故卻日漸頻繁，帶來了生命和經(jīng)濟上的損失不可估量[1]。因此，提高道路交通安全水平已經(jīng)成為國內(nèi)外的迫切需求，預(yù)測道路交通安全事故，國內(nèi)外研究學(xué)者進行了相關(guān)研究工作。本文提出基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型，利用RBF 神經(jīng)網(wǎng)絡(luò)的全局最優(yōu)解，提高預(yù)測精度。

1 道路交通安全影響因素和量化指標(biāo)

1.1 道路交通安全影響因素分析

影響交通安全的因素由眾多的確定因素和不定因素組成，且這些因素內(nèi)部和外部還存在著復(fù)雜的關(guān)聯(lián)性，因此要分別理清楚因素與因素，因素與結(jié)果之間的關(guān)系，利用簡單的數(shù)學(xué)模型或者關(guān)聯(lián)分析是很難清楚解釋的。為了合理分析道路交通安全事故的相關(guān)因素，將影響因素分為微觀因素和宏觀因素兩個方面進行分析。微觀因素，指的是人、車、路和環(huán)境。“人”是指交通參與者，包括駕駛員和行人；“車”是指機動車和非機動車；“路”是指道路及相關(guān)的設(shè)施設(shè)備；“環(huán)境”是指天氣條件。宏觀因素，指的是社會環(huán)境，包括政治、經(jīng)濟、文化、教育、人口、法律等[2]。

選擇合適的道路交通安全影響因素指標(biāo)是建立高精度預(yù)測模型的前提，根據(jù)前面對影響道路交通安全影響因素分析，依據(jù)相關(guān)性、可靠性和可操作性的選擇原則，選擇的影響因素包括人口、GDP、汽車擁有量、從業(yè)人員數(shù)、客運量、運營車量、里程、貨運量、周轉(zhuǎn)量等9 個影響因素指標(biāo)[4]。

1.2 道路交通安全量化指標(biāo)

本文在研究中，采用道路交通綜合死亡率作為道路交通安全量化指標(biāo)，該指標(biāo)綜合展示了人、車、路、環(huán)境和交通事故的關(guān)系，它說明道路交通綜合死亡率是萬車死亡率、十萬人死亡率和公路里程的幾何平均數(shù)[5]。道路交通綜合死亡率[6]記作Sd：

Sd為道路交通綜合死亡率，D 為死亡人數(shù)，P 為人口數(shù)，N 為機動車保有量，L 為公路里程。

1.3 影響因素和量化指標(biāo)相關(guān)性分析

根據(jù)本文原始數(shù)據(jù)構(gòu)成，以及數(shù)據(jù)間的關(guān)系，采用spearman（斯伯曼/斯皮爾曼）相關(guān)系數(shù)進行相關(guān)系數(shù)分析[7]。斯皮爾曼等級相關(guān)對數(shù)據(jù)條件的要求沒有積差相關(guān)系數(shù)嚴格，只要兩個變量的觀測值是成對的等級評定資料，或者是由連續(xù)變量觀測資料轉(zhuǎn)化得到的等級資料，不論兩個變量的總體分布形態(tài)、樣本容量的大小如何，都可以用斯皮爾曼等級相關(guān)來進行研究[8]。利用python 自帶的 pandas 工具包調(diào)用 corr 函數(shù)實現(xiàn)計算Spearman 秩相關(guān)系數(shù)。

九個影響因素中最小的里程相關(guān)系數(shù)為0.483，最大的人口相關(guān)系數(shù)為0.983，與預(yù)測指標(biāo)都有很強的相關(guān)性，滿足因素選擇原則。

2 RBF 神經(jīng)網(wǎng)絡(luò)模型

RBF 網(wǎng)絡(luò)是一種三層前饋式網(wǎng)絡(luò)。

RBF 神經(jīng)網(wǎng)絡(luò)在進行處理時，需要學(xué)習(xí)的參數(shù)有3 個：基函數(shù)的中心、方差和隱含輸與出層間的權(quán)值。學(xué)習(xí)過程為：

自組織學(xué)習(xí)過程要用到聚類算法，本文利用K - 均值聚類算法。

中心學(xué)完就固定了，接著確定基函數(shù)的方差。RBF 神經(jīng)網(wǎng)絡(luò)選用高斯函數(shù)為基函數(shù)，即方差為

RBF 神經(jīng)網(wǎng)絡(luò)一種性能優(yōu)良的前饋型神經(jīng)網(wǎng)絡(luò)，能任意精度逼近任意的非線性函數(shù)；其次，具有局部逼近能力，這意味著逼近一個輸入輸出映射時，在相同逼近精度要求下，它所需的時間要比其它方法少；再次，它具有唯一最佳逼近的特性，從根本上解決了局部最優(yōu)問題；最后，它與模糊邏輯能夠?qū)崿F(xiàn)很好的互補，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)泛化能力。因此，利用RBF 神經(jīng)網(wǎng)絡(luò)進行交通生成預(yù)測，能得到精度較高的結(jié)果，為后面進行交通生成預(yù)測提供一定的理論依據(jù)。

3 基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型

利用RBF 神經(jīng)網(wǎng)絡(luò)對交通生成進行預(yù)測，主要分以下六個步驟：

3.1 對原始數(shù)據(jù)進行歸一化處理；

3.2 把處理后的數(shù)據(jù)作為樣本數(shù)據(jù)輸入?yún)?shù)；

3.3 進行RBF 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；

3.4 訓(xùn)練是否完全，若是則進行第五步，否則回到3.3 ；

3.5 將測試數(shù)據(jù)導(dǎo)入模型進行預(yù)測，預(yù)測結(jié)果是否滿足需求精度，若滿足則

進行下一步，否則回到3.3 ；

3.6 將預(yù)測得到的數(shù)據(jù)進行逆反處理, 獲得實際預(yù)測值，并計算預(yù)測誤差。

4 模型驗證

選擇以2010 年-2017 年的原始數(shù)據(jù)作為模型訓(xùn)練樣本數(shù)據(jù)，2018 年的數(shù)據(jù)做為基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型測試數(shù)據(jù)，預(yù)測結(jié)果如圖1。

圖1 基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型輸出相對誤差如表1 所示。

表1 基于RBF 神經(jīng)網(wǎng)絡(luò)模型預(yù)測值

由表1 可以得到，預(yù)測結(jié)果與實際值誤差均在5%以內(nèi)，證明該預(yù)測模型能夠用于道路交通安全預(yù)測，滿足實際生產(chǎn)應(yīng)用有需求。

5 結(jié)論

本文首先對國內(nèi)外在道路交通安全的研究現(xiàn)狀進行了分析，發(fā)現(xiàn)當(dāng)前道路交通安全的評估的方法無法充分考慮影響因素，且建立的模型存在擬合過度，以及不是最優(yōu)擬合等現(xiàn)象，提出了基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型。以9 種影響因素作為道路交通安全評價量化指標(biāo)，以綜合死亡率作為評價指標(biāo)，并分析了影響因素和綜合評價指標(biāo)的關(guān)聯(lián)性，發(fā)現(xiàn)9 種影響因素和評價指標(biāo)間存在很強的相關(guān)性。建立了基于RBF 神經(jīng)網(wǎng)絡(luò)的道路交通安全預(yù)測模型，以全國2010 年-2018 年的統(tǒng)計數(shù)據(jù)為例，利用模型對道路交通安全進行了評價，證明了該預(yù)測模型的實用性。