基于灰色神经网络的交通事故预测方法研究

《基于灰色神经网络的交通事故预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、辽宁工业大学硕士学位论文基于灰色神经网络的交通事故预测方法研究工程领域:交通运输工程研究生:葛丽娜校内指导教师:唐阳山教授校外指导教师:贾涛高级工程师辽宁工业大学汽车与交通工程学院二〇一五年三月MasterThesisStudyonTrafficAccidentForecastMethodBasedonGreyTheoryNeuralNetworkSpeciality:CommunicationandTransportationEngineeringCandidate:GELi-naSupervisors:ProfessorTANG

2、Yang-shanSeniorEngineerJIATaoLiaoningUniversityofTechnologyJinzhou,121001,ChinaMarch2015摘要交通安全问题是世界各国普遍关注的重要问题，道路交通事故是影响道路交通安全的主要方面。道路交通事故预测是对道路交通未来的情况进行估计和预测，它是通过对道路交通事故的过去和现在状态的系统探讨，并考虑其相关因素的变化，而做出对道路交通事故未来状态描述的过程。道路交通事故预测对于道路交通安全评价、规划以及决策具有重要的现实意义。道路交通系统是一个受多种因素影响的复

3、杂系统，样本少，信息贫乏，没有特定规律，呈现出非线性的特性。传统的线性预测方法在解决非线性问题时存在很大的局限性，因而对于交通事故的预测精度不高。考虑到灰色系统模型对于解决“小样本，贫信息”的问题的优势以及神经网络模型能够逼近任何非线性函数的优点，本文分别应用这两种预测方法建立了交通事故预测模型。交通事故预测需要先选取交通事故的影响指标和预测指标。本文运用主成分分析法从交通事故的众多影响因素里面选取了与交通事故的综合死亡率相关性较大的因素作为影响指标。并根据对影响指标的相关性分析确定预测的目标，即预测指标。运用两种单一的方法对我国交

4、通事故预测指标进行宏观预测，预测结果验证了这两种方法在交通事故预测中的有效性。通过比较分析预测结果可知，单一的预测模型预测结果精度不高。最后，本文结合两种模型的优势建立了三种灰色神经网络组合预测模型，即串联型组合预测模型、并联型组合预测模型及改进的组合模型，并将组合预测结果与单一的灰色GM(1,1)模型以及BP神经网络预测结果进行比较分析，结果表明灰色神经网络组合预测方法对交通事故预测精度更高，优于单一的预测方法。关键词：交通事故预测；灰色系统；BP神经网络；组合预测模型IAbstractTrafficsafetyisanimpor

5、tantissueofcommonconcerntoallcountriesintheworld,theroadtrafficaccidentisamajorinfluencetoroadtrafficsafety.Roadaccidentsforecastingaimstoestimateandpredictthesituationofroadtrafficinthefuture,throughthepastandpresentstatusofroadtrafficaccidentinthesystem,andconsiderin

6、gthechangesofitsrelatedfactors,thenmaketheproceduretodescribethefuturestateofroadtrafficaccidents.Roadtrafficaccidentforecastisofimportantpracticalsignificanceforroadtrafficsafetyevaluation,planninganddecision-making.Roadtrafficsystemisacomplexsystemwhichisaffectedbyma

7、nyfactors,atthesametime,ithaslesssamples,poorinformationandnon-linearfeatures.Thetraditionallinearpredictionmethodhaslargelimitationinsolvingnonlinearproblems,therefore,thetrafficaccidentforecastingaccuracyisnothigh.Consideringtheadvantagesofgraysystemmodeltosolvethepr

8、oblemof"smallsample,poorinformation"andtheneuralnetworkmodelcanapproximateanynonlinearfunction,thispaperappliedthetwo