[精品]道路交通的研究方法

《[精品]道路交通的研究方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、随着经济的飞速发展，高速公路作为一种便捷、安全、快速的交通方式，在缩短城市间距离，促进地区经济发展的过程中发挥了重要的作用。在浙江省,高速公路从1992年的7公里开始发展，到2006年底，浙江全省高速公路通车总里程已突破2000多公里。随着高速公路的总里程数的不断增加，高速公路交通事故以其事故后果的严重、损失的巨大引起人们的高度警惕。形势要求我们更快地认识髙速公路交通事故的特点和规律，研究交通安全对策和方法。沪杭甬高速公路是浙江省第一条开通的高速公路，连接上海、杭州、宁波三大城市，穿越富裕的浙东平

2、原，并与上三髙速公路和杭金衢高速公路等十多条国(省)道连接，是目前浙江省交通网络的核心，也是浙江省乃至华东地区的重要交通枢纽。依托沿线经济的高速发展，沪杭甬高速公路日均车流量在10万辆以上，年均车流量3650万辆以上，在全国高速公路中名列前茅。沿线的宁波、杭州、上海等城市是整个浙江甚至长江三角洲经济圈中的核心城市。沪杭甬高速公路杭州段虽然总里程数不多，但由于其车流量大、事故率高，因而被选为本文的研究对象。高速公路交通事故的形成因素包括人、车、路、气候等多个非线性因素,带有较大的随机性。传统的线性分

3、析方法难以揭示其内涵，存在着较大的局限性，使得预测不能得到满意的结果。人工神经网络(ArtificialNeuralNetwork,ANN),亦称为神经网络，是由大量神经元广泛互连而成的网络，是人脑的抽彖、简化、模拟。它与人脑的相似之处概括为两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元用来存储获取的知识信息。人工神经网络所具有的非线性特性、大量的并行分布结构以及学习和归纳能力使其在诸如建模、时间序列分析、模式识别、信号处理以及控制等方面得到广泛的应用。尤其面对缺少物理

4、或统计理解、观察数据中存在着统计变化、数据由非线性机制产生等棘手问题，神经网络能够提供较为有效的解决方法。•但是，传统的BP算法具有学习速度慢，目标函数存在局部极小点的缺点。为此采用粒子群算法(PSO)代替BP算法对神经网络进行训练，以得到更优的结果，实现对交通事故的预测。粒子群优化算法最初由JimKennedy于1995年提出并成功的用于函数优化(J.Kennedy,1995),后来又进行了有效的拓展(ShiY.Ho1998),它是对鸟群觅食过程中的迁徙和聚集的模拟，由简单个体组成的群落以及个体

5、之间的互动行为模拟搜索全局最优解。已有研究表明(刘洪波，2005),将粒子群算法用于神经网络的学习训练，简单容易实现，而且能更快地收敛于最优解。目前对道路交通的研究方法有很多(秦利燕，2006),如；道路交通事故致因理论、道路交通事故宏观研究、道路交通事故微观研究等。关于道路交通事故致因理论的研究大致经历了单因素理论和多因素理论(AbdulRaouf,2002)两个时期。单因素理论，把事故简单地归结为由一种原因引起，但当要确定事故的主要原因时，它的简单直观性非常有用；多因素理论，广泛地用于事故分析

6、，认为在道路交通事故分析中，主要应从人一车一路三因素入手。然而到目前为止，道路交通事故致因理论的发展还很不完善，还没有给出对事故分析和预防方面的普遍和有效的方法。交通事故宏观研究就是根据历史的统计数据研究将来交通事故的发展状况及趋势。国外道路交通事故宏观研究方法多用回归分析方法和时间序列法(El-SadigM.,2002)o回归分析方法中，最经典是斯密德(Smeed)模型，用整个国家的机动车保有量和人口数预测交通事故死亡人数。此外，另有一些学者利用灰色理论(王福建，2006)对道路交通事故进行了研

7、究，该方法将道路交通事故作为道路交通系统行为特征量处理。其缺点是没有考虑道路交通事故的影响因素对预测目标的影响，仅是数列趋势研究。道路交通事故微观研究是以特定的道路、路段或断面作为研究对象，以便及时了解该区段的道路安全状况，进而有针对性地提出具体的改进措施，从而达到减少事故.降低事故危害程度的目的。国外学者曾用概率分析法、多元回归法建立交通事故与相关因素的模型。本文釆用神经网络的方法来研究交通事故的特点。对于神经网络，目前已经发展了多种算法来计算网络的权值，最常见的是BP算法。但是，基于梯度下降的

8、BP算法依赖于初始权值的选择，收敛速度缓慢且容易陷入局部最优。BP的上述缺陷尤其是局部优化特性使其训练的神经网络的输出具有不一致性和不可预测性，导致模式分类的可靠性降低(高海兵，2004)oD.Whitley(1995)成功地将遗传算法应用于神经网络学习中，遗传算法的并行搜索策略及全局优化特性使其成为日益普遍的神经网络训练算法。Sexton(2000)通过实验证明，与BP算法比较，遗传算法训练的神经网络在提高分类正确率的同时可以加快训练的收敛速度。但是，遗传算法复杂的遗传操作如选择