基于神经网络的山岭重丘区高速公路事故预测模型.pdf

《基于神经网络的山岭重丘区高速公路事故预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第33卷第3期2016年3月公路交通科技JoumalofHigllway锄dTr柚sportationResearch鲫dDevelopmentV01．33No．3M盯．2016doi：10．3969／j．issn．1002—0268．2016．03．017基于神经网络的山岭重丘区高速公路事故预测模型孟祥海，覃薇，邓晓庆(哈尔滨工业大学交通科学与工程学院，黑龙江哈尔滨150090)摘要：针对山岭重丘区高速公路基本路段的事故预测问题开展研究。依据平纵几何线形对路段单元进行划分，基于粗糙集理论中可辨识矩阵的约简算法选择出了对事故发生有突出影响的几何线形指标变量。依据筛选出的线形指标，界定了

2、事故预测路段单元并给出了预测单元空值项的赋值方法。针对事故率与几何线形指标、交通量之间复杂的非线性关系，建立了Elman神经网络事故预测模型，可对事故预测单元进行事故预测。应用标定出的预测模型进行敏感性分析，确定出了各线形指标、AADT等与事故率的关系。通过与基于实际事故数据统计得到的关系进行对比，验证了该模型在交通安全机理上的可靠性。模型应用结果表明：该模型具有较大的可移植性和对山岭重丘区高速公路的通用性。关键词：交通工程；交通安全；事故预测模型；神经网络；高速公路；线形指标；敏感性分析中图分类号：U491．31文献标识码：A文章编号：1002—0268(2016)03—0102一0

3、7AnAcCIdentPredictiOnMOdeIfOrExpreSswaysinMOuntainouSandROⅢnaAreaSBaSedOnNeUraINetwOrkMENGXiang—hai，QINWei，DENGXiao—qing(Sch00lofTmnsportationscienceandEn画neering，HarbinInstituteofTechnology，HarbinHeilon舀iaJlg150090，chim)AbStract：Theresearchofaccidentpredictionissueisc疵edoutforbasicsectionsofexp

4、resswaysinmountainousandI．oUingareas．Aseriesofsubsectionsareobtainedbysectiondivisionbasedonhorizontalandverticalgeometricalignments，andthegeometricalignmentindicatorvariableswhichhaveprominentef】fectonaccidenthappeningareselectedbyreductiona190rithmofdiscemiblematrixaccordingtorou曲setstheory．Ba

5、sedontheselectedalignmentindicators，theaccidentpredictionsectionisdetemined，andamethodofass培ningValuestonullvalueitemsispr0Vided．InViewofthecomplexnonlinearrelationshipamongaccidentrate，geometricalignmentandtramcvolume，E1maJlneuralne附orkaccidentpredictionmodelissetup，itcanbeusedtopredictaccident

6、inthepredictionsection．Therelationshipamongaccidentrate，alignmentindicatorsand从Draredete珊inedbysensitivityanalysisbasedonthecalibratedaccidentpredictionmodel．Comparedwitlltherelationship0btainedbystatisticsofrealaccidentdata，thereliabilit)rofthemodelonthetr施csafbtymechanismisproVed．Theapplicatio

7、nofthemodelshowsthatthemodelistransferableandcouldbeapplicabletotheexpresswaysinmountainousandrollingareas．Keywords：tr枷cengineering；tramcsafety；accidentpredictionmodel；neuralnetwork；expressway；alignmentindicator；sensitiVitya