CN113611114A - 一种城市快速路交通事故气象因子敏感性分析方法 - Google Patents

一种城市快速路交通事故气象因子敏感性分析方法 Download PDF

Info

Publication number
CN113611114A
CN113611114A CN202110885395.8A CN202110885395A CN113611114A CN 113611114 A CN113611114 A CN 113611114A CN 202110885395 A CN202110885395 A CN 202110885395A CN 113611114 A CN113611114 A CN 113611114A
Authority
CN
China
Prior art keywords
sensitivity
neural network
analysis
traffic accident
sensitivity analysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110885395.8A
Other languages
English (en)
Inventor
***
卢霄娟
王赛
马驰骋
关山
宋明洋
李冬怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202110885395.8A priority Critical patent/CN113611114A/zh
Publication of CN113611114A publication Critical patent/CN113611114A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市快速路交通事故气象因子敏感性分析方法，建立BP神经网络模型，然后依据遗传算法进行模型优化，找到神经网络模型的最佳隐含层节点数和训练算法，并对神经网络模型进行拟合验证；然后，依据建立的神经网络模型，依次进行局部敏感性分析和全局敏感性分析，建立可视化三维图形。本发明采用上述分析方法，提升交通事故预测的精度，清晰显示气象因子与交通事故数之间的显著关系。

Description

一种城市快速路交通事故气象因子敏感性分析方法
技术领域
本发明涉及交通技术领域，尤其是涉及一种城市快速路交通事故气象因子敏感性分析方法。
背景技术
纵观我国交通总体现况而言，道路资源紧张、交通拥堵的状况没有得到根本的改观，特殊气象情况下道路交通急剧恶化。恶劣的气象环境要素对道路交通有严重的影响，隐藏着很大交通事故隐患，甚至会引发重特大交通事故。道路交通对气象环境条件非常敏感，已经成为威胁道路交通安全最大的非人为因素。同时，不利的气象条件给道路交通事故的救援和交通安全管制也增加了很大的难度。因此，进行道路交通气象的研究意义重大。
发明内容
本发明目的是对城市快速路交通事故的气象因子进行全面深入的研究，分析它们和道路交通事故数之间存在的关系，掌握未来交通事故的状况，根据交通事故预测情况有针对的采取相应的对策和决策，避免日后工作中的缺陷和不足，从而最终达到减少交通事故的目的。
为实现上述目的，本发明提供了如下技术方案：
一种城市快速路交通事故气象因子敏感性分析方法，包括如下步骤：
S1、基于GA-BP神经网络的交通事故气象预测
S11：GA-BP预测模型算法整体设计
(1)BP神经网络结构确定
根据交通事故和气象数据，确定BP神经网络的输入层、输出层的变量、隐含层数和隐含层节点数、激励函数和训练函数。
(2)遗传算法优化
遗传算法优化BP神经网络的过程中，种群的个体包含了BP网络各个网络层的权重和阈值参数，根据适应度函数来计算个体相应的个体适应度值，再通过选择、交叉、变异等操作，确定适应度值最优的个体。
(3)BP神经网络预测
将遗传算法优化得到的最优个体所包含的网络初始权值和阈值，赋予BP神经网络，找到最佳神经网络模型的隐含层节点数量和训练算法，并对神经网络模型进行误差性能分析和输出数据复合系数分析；
S12：权重和阈值的确定
利用遗传算法全局搜索的优势，来对初始权值和阈值进行寻优，确定网络最优的初始权值和阈值，从而提升BP神经网络的预测精度和稳定性。具体优化步骤如下：
(1)种群初始化
将BP网络输入层、输出层、隐含层的之间的权重和阈值，通过实数编码的编码方式进行编码操作，得到一个实数编码，作为种群的个体。根据设置初始种群大小，采用随机法产生初始化种群。个体编码长度规则为：
S＝n*m+m*l+m+l
式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数。
(2)适应度函数计算
适应度函数的计算，首先通过个体i，获取此时神经网络的初始权值和阈值，在经过网络的训练后，得到网络输出的预测值。求取预测值与期望值的绝对误差的和值，该和值乘以一个相关系数k，即可得到适应度值F。具体求取公式如下：
Figure BDA0003193920020000031
式中，n为网络输出节点数；k为系数；oi为第i个节点的预测输出。yi为BP神经网络第i个节点的期望输出；
(3)选择操作
选择轮盘赌法，是在适应度比例基础上的选择，其中每个个体i相应的选择概率pi：
fi＝k/Fi
Figure BDA0003193920020000032
式中，Fi是个体i的适应度值，因为适应度值越小越好，因此在个体选择前对适应度值进行求倒数；种群个体数目为N；系数为k。
(4)交叉操作
交叉操作中采用实数交叉法，第k个染色体k和第1个染色体I在j位的交叉操作，具体方法如下：
αki＝αkj(1-b)+αljb
αlj＝αlj(1-b)+αkjb
式中，b是[0，1]间的随机数。
(5)变异操作
选取第i个个体的第j个基因ij，并对其进行相应的变异操作，具体的变异操作方式如下：
Figure BDA0003193920020000041
f(g)＝r2(1-g/Gmax)
式中，αmax为基因αij的上界，αmin为基因αij的下界，r2为一个随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0，1]间的随机数。
S13：BP网络模型的建立
由于人工神经网络尚处于学科发展初期，其理论还没有完善到能提供一套可遵循的设计方法，人工神经网络的设计既要以网络理论为依据，又要通过试验进行验证。
1、输入层、输出层的变量确定
根据气象因子与交通事故的关系，输入层变量主要包括一些对交通事故有着紧密联系的气象因子，输出层的变量是交通事故数。
2、隐含层数的确定
选择构建网络的隐含层数为1层。
3、隐含层节点数的确定
在BP网络中，隐含层节点数量可以根据如下三个公式确定：
Figure BDA0003193920020000042
m＝log2n
Figure BDA0003193920020000043
式中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；
Figure BDA0003193920020000044
为1-10之间的常数。注：需取三者最大范围。
4、预测模型激励函数和训练算法的选择
(1)激励函数的选择
交通事故预测符合高度非线性的映射，激励函数包括值域在(0，1)区间的logsig函数和值域在(-1，1)的tansig函数。
logsig函数表达式为：
Figure BDA0003193920020000051
tansig函数表达式为：
Figure BDA0003193920020000052
其中：a，b＞0常数，通常a＝1.7159，b＝2/3。
网络的隐含层至输出层神经元的传递采用purelin线性函数，三个激励函数如图3所示。
(2)训练函数的选择
BP神经网络的训练函数如下表1所示，根据训练结果进行比较分析，选出预测效果最好的训练函数。
表1 BP训练算法表
Figure BDA0003193920020000053
Figure BDA0003193920020000061
S2、GA-BP神经网络的敏感性分析
S21：基于随机化方法的局部敏感性分析
1、基于连接权
基于连接权的敏感性分析方法采用Garson算法，Garson算法的敏感性可用下式表达程度(贡献)为：
Figure BDA0003193920020000062
由于连接权wij与vij的值有正有负，
Figure BDA0003193920020000063
会弱化xi对yk的影响；同样Qi，k也有正有负，也不能反映出xi相对yk的敏感性系数。故无法根据这个公式所产生的结果进行排序，本方案对上述公式进行改造，改造后的公式可以反映出xi对yk的相对影响程度(相对敏感性)记Q′ik为xi对yk的敏感性系数。
Figure BDA0003193920020000064
当输入变量固定时(k固定)，根据每个输入变量对yk的敏感性系数来排序。
2、基于偏导
在前向神经网络模型的基础上，对各层网络的激励函数求偏导，对每个样本的每个变量分别求出其敏感性系数，最后综合每个变量的全样本敏感性系数即得模型对该变量的敏感性。
基于偏导的敏感性的Dimoponlos算法表达式如下：
Figure BDA0003193920020000071
其中f′(netj)和f′(netk)分别表示隐含层激活神经元j的激励函数、输出神经元k的激励函数的偏导，此处激励函数经常采用Sigmoid激励函数sik表示输入变量xi对输出变量yk的敏感性系数，如果网络的输出变量只有一个，则上式可改造为：
Figure BDA0003193920020000072
3、基于扰动
基于监测数据百分比扰动分析，分别以评价因子监测原始值加/减10％，保持其他因子不变，建立新分析数据方案，将各方案交通事故预测值与原始监测值之差的均值，记为交通事故数对该因子的敏感值。
S22：基于二阶偏导的全局敏感性分析
Pa D2敏感性分析法是基于多层感知器的一种全局敏感性分析方法，其敏感性系数表达为：
Figure BDA0003193920020000073
Figure BDA0003193920020000074
Figure BDA0003193920020000075
式中，
Figure BDA0003193920020000076
为第t个样本中变量xi与xk对模型输出的敏感性系数；s表示输出层激励函数对其输入的导数，
Figure BDA0003193920020000077
为第j个隐含层神经元对第t个样本的输出值。
在求得单样本双变量的敏感性系数之后，同局部敏感性分析相同，需要用一个综合公式将各样本中该双变量的敏感性系数进行综合，以得到该双变量对模型的总的影响。综合公式如下：
Figure BDA0003193920020000078
同时，利用
Figure BDA0003193920020000081
描绘以
Figure BDA0003193920020000082
为因变量，xi与xk为自变量的三维图形，解释输入变量对输出变量的影响过程；利用SSDi，k对输入变量xi与xk两者的综合敏感性大小进行排序。
优选的，输入层至隐含层的激励函数为Tansig函数，隐含层至输出层的激励函数为Purelin函数；备选训练函数为traingdx、traingdm、trainlm。
优选的，误差性能分析以网络输出的均方误差作为网络训练性能指标，并将模型的误差精度期望值设为0.001。
优选的，局部敏感性分析方法中，为消除一次训练生成神经网络的不稳定性，采用如下随机化检验方法进行处理：
S211、从数据中随机选择70％数据进行神经网络训练；
S212、对得到的神经网络采用前述敏感性方法计算输入参数敏感性；
S213、重复上述两步骤1000次；
S214、对计算得到的敏感性求均值；
S215、计算各因子相对敏感度。
本发明采用上述结构的城市快速路交通事故气象因子敏感性分析方法，具有如下优势：
1、采用遗传算法优化的BP神经网络，提升交通事故预测的精度；
2、训练算法选择时，从几种常用的训练函数分别对神经网络进行训练，并根据训练结果进行比较分析，选出预测效果最好的训练函数，拟合效果好，提高了未来交通预测精准性；
3、提出基于随机化的方法进行局部敏感性分析，采用可视化图形方式，清晰明了的分析出气象因子及其组合对交通事故的影响。
附图说明
图1为本发明实施例的整体流程图；
图2为本发明实施例中模型的算法流程图；
图3神经网络中不同激励函数图像；
图4为本发明实施例中神经网络模型误差性能分析拟合图；
图5为本发明实施例中神经网络模型输出数据线性回归分析图；
图6为本发明实施例中基于连接权的敏感性分析结果图；
图7为本发明实施例中基于偏导的敏感性分析结果图；
图8为本发明实施例中基于扰动的敏感性分析结果图；
图9为本发明实施例中春夏全局敏感性分析结果图；
图10为本发明实施例中秋冬全局敏感性分析结果图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步说明。
一种城市快速路交通事故气象因子敏感性分析方法，整体设计流程如图1所示，算法流程如图2所示，下面结合具体数据进行分析。
S1：基于GA-BP神经网络的交通事故气象预测
采用MATLAB作为编程环境，本研究的数据样本来源于两处：a、2016年01月01日至2017年12月31日内时间段的交通事故发生数据；b、同时期的历史气象预报数据。
(1)训练样本
本研究的训练样本主要来源于上海市2016年01月01日至2017年12月31日的快速路交通事故数据9031条，其中共计364天的交通事故起数数据和相应的气象数据。
(2)测试样本
本文研究的测试样本主要选取2016年01月01日至2017年12月31日时段数据，原始数据8394条，共338天数据作为预测模型的测试数据。
S11：数据处理
1、数据缺失处理
在采集数据的中，由于官方发布的数据存在问题、网络问题、***问题等等，采集的气象数据存在一定的缺失。但是缺失比例较小，大概占整体样本数据的0.5％-1％之间，而且都是数值型数据，所以就直接通过平均值填充法，填补缺失的数据，简单易行，缺失比例小对整体的数据的影响不大。
2、数据预处理
根据BP神经网络算法特点，使用时需要注意神经元具备饱和非线性特征，必须限定与其连接的其他神经元的输出，从而避免神经元饱和。因此，需要将网络的输入样本进行归一化操作，将样本数据限制在一个较小的区间内。
由于神经元激励函数的差异特征，大多数神经网络模型设计的数据数值范围一般在[0，1]和[-1，1]区间。本研究所收集的数据跨度较大，为了防止运算出现“过拟合”现象和方便网络训练。本研究借鉴国内外专家、学者的神经网络模型设计经验，采用预先将数据按比例缩小到区间[-1，1]。其目的是为了加快模型训练的收敛速度。本研究的数据归一化方法选用最大最小法，函数公式如下：
(1)归一化公式：
Figure BDA0003193920020000101
式中：x′i为归一化值，xi为输入向量的分量值，ximax和ximin分别为输入向量的最大值和最小值。
(2)反归一化公式：
Figure BDA0003193920020000111
式中：y′i为反归一化值，yi为输入向量的分量值，yimin和yimax分别为输出向量中的最小值、最大值。
S12：模型参数设计
1、BP网络结构参数
(1)输入层、输出层变量确定
该模型由气象因子作为输入，根据气象要素满足全面性、可比性以及同趋势性等原则，也根据气象要素预报的特点，即在秋冬半年不做最高气温预报，而在春夏半年不做最低气温预报，将样本数据人为划分为两个半年：每年的4-9月，笼统称为春夏半年，去掉变量日最低气温X1和日最低本站气压X12；10月至次年的3月，笼统称为秋冬半年，去掉变量日最高气温X2和日最高本站气压X11。得到GA-BP神经网络输入变量为：
春夏：X2、X3、X4、X5、X6、X7、X8、X9、X10、X11；
秋冬：X1、X3、X4、X5、X6、X7、X8、X9、X10、X12。
输出层变量均为交通事故数。
(2)隐含层节点数
本文所建立的基于GA-BP神经网络模型中，输入层节点数n＝10，输出层节点数1＝1，则隐含层节点数m的最佳取值落在范围4-14之间，因此，隐含层节点数可以取值为4、6、8、10、12、14。
(3)预测模型激励函数和训练算法的选择
通过神经网络建模预测出的结果误差比较结果由表2可以看出，以tansig函数作为转移函数时预测精度较高，因此，本文中我们选用tansig作为BP神经网络的转换函数。
表2不同激励函数的预测误差比较
Figure BDA0003193920020000121
表3 BP网络结构参数
Figure BDA0003193920020000122
2、遗传算法参数
遗传算法参数，如表4所示。
表4遗传算法参数
Figure BDA0003193920020000123
3、BP算法参数
根据不同训练算法的特点，本文选取本文中选取了traingdx、traingdm和trainlm三种训练函数进行预测，如表5所示。
表5 BP算法参数
Figure BDA0003193920020000124
Figure BDA0003193920020000131
S13：GA-BP神经网络预测分析
1、预测误差分析
(1)春夏
表6春夏不同训练函数预测误差统计表
Figure BDA0003193920020000132
表6春夏不同训练函数预测误差统计表
Figure BDA0003193920020000133
(2)秋冬
表6秋冬不同训练函数误差统计表
Figure BDA0003193920020000134
表7秋冬不同训练函数误差统计表
Figure BDA0003193920020000135
由训练结果可以看出，训练函数及隐含层节点数目的不同都会对预测精度产生较大影响。随着隐含层节点数的增加，预测精度呈现先减后增的趋势，通过以上数据分析发现：春夏交通事故预测中，训练函数为trainlm、预测节点为10时，绝对误差最小；秋冬交通事故预测中，训练函数为trainlm、预测节点为8时，绝对误差最小，因此该误差最小的方案作为最佳方案。
2、神经网络误差性能分析
为了模型的误差性能，以网络输出的均方误差作为网络训练性能指标，并将模型的误差精度期望值设为0.001。模型的网络训练过程输出误差变化曲线如图4所示。可知春夏GA-BP神经网络迭代次数为7，第1代时得到最小误差性能为1.8493。秋冬GA-BP神经网络迭代次数为9，第3代时得到最小误差性能为0.505。
3、网络输出数据复合系数分析
本研究使用训练样本分别对两种模型进行训练学习，并收集两种模型在训练过程中的输出数据。对输出数据与相应的期望输出数据进行线性回归分析，春夏模型输出数据的回归分析如图5。可以看出，春夏GA-BP网络预测模型输出数据与期望数据的复合相关系数为0.99936。秋冬GA-BP网络预测模型输出数据与期望数据的复合相关系数为0.99873，接近于1，说明基于GA-BP网络模型对训练数据具有较好的拟合度。
通过以上神经网络误差性能、网络输出数据复合系数分析表明，GA-BP神经网络算法在收敛速度、收敛精度以及预测准确度等三方面均有较好的性能，因此，建立GA-BP神经网络模型能够完成交通事故预测。
S2：气象因子敏感性分析
S21：输入数据的获取
根据表8建立的GA-BP神经网络，提取各输入层、隐含层、输出层之间的连接权重矩阵作为敏感性计算的输入：
表8春夏输入层与隐含层连接权重
Figure BDA0003193920020000151
表9秋冬隐含层与输出层连接权重
Figure BDA0003193920020000152
表10秋冬输入层与隐含层连接权重
Figure BDA0003193920020000153
表11秋冬隐含层与输出层连接权重
Figure BDA0003193920020000161
S22：基于随机化方法的局部敏感性分析
神经网络参数敏感性分析，其结果的准确性与网络训练的迭代路径密切相关，交通事故预测模型输入参数较多，神经网络训练易陷入局部最优，敏感性分析结果也会存在较大差异。本文交通事故预测模型中采用基于随机优化方法进行局部敏感性分析。引入随机化方法后，能够得到不同分析方法的交通事故数影响因子敏感性结果。
1、基于Garson算法的连接权值敏感性分析结果
如图6所示，春夏中敏感性前三的气象因子分别是日最高气温、20-20时降水量和平均气温，而平均风速和平均本站气压属于敏感性较小的因子；秋冬中敏感性前三的气象因子分别是20-20时降水量、平均相对湿度、日最低气温，而日最低本站气压和平均本站气压属于敏感性较小的因子。
2、基于Dimoponlos算法的偏导敏感性分析结果
如图7所示，春夏中敏感性前三的气象因子分别是20-20时降水量、日最高气温和最大风速，其中20-20时降水量的敏感性达到了1.32，而平均风速和极大风速属于敏感性较小的因子；秋冬中敏感性前三的气象因子分别是20-20时降水量、日最低气温和平均气温，20-20时降水量敏感性与春季相当，而极大风速和平均风速属于敏感性较小的因子。
3、基于百分比扰动的敏感性分析方法
如图8所示，春夏中敏感性前三的气象因子分别是日最高气温、20-20时降水量和平均气温，其中日最高气温的敏感性达到了1.21，而平均风速和极大风速属于敏感性较小的因子；秋冬中敏感性前三的气象因子分别是最大风速、20-20时降水量和日最低气温，其中最大风速的敏感性高达1.21，和春夏规律一致的是敏感性最小的因素也是极大风速和平均风速。
引入随机化检验方法后，基于连接权值、偏导、均匀扰动分析等方法得到的因子敏感强弱基本一致，均可用于神经网络参数敏感性分析；日最高(低)气温、20-20时降水量、最大风速三项指标是引起交通事故数变化主敏感因子，极大风速和平均风速是敏感性最小的因子。
S23：基于二阶偏导的全局敏感性分析
Pa D2全局敏感性分析方法的单样本分析过程可以描述交通事故数对任意两个气象因子组合敏感性系数的变化过程。通过对双因子组的单样本分析，以两个气象因子为X，Y轴，以交通事故数对二者的敏感性系数为Z轴，可建立一个三维的敏感性系数变化图。以下将列出敏感性较大的双因子组的敏感性系数变化情况。通过S22中局部敏感性分析，发现敏感气象因子春夏主要包括：日最高气温、20-20降水量、最大风速；秋冬主要包括：日最低气温、20-20降水量、最大风速和平均相对湿度。本节将上述敏感因子进行两两组合，探究组合因子对交通事故的敏感性分析。
1、春夏全局敏感性分析
如图9a所示，可知春夏交通事故敏感性随着日最高气温和20-20时降水量的增大而增大，在气温较低时，降水量变化对交通事故的敏感性影响较大。
如图9b所示，可知春夏交通事故敏感性在降水量和最大风速的综合作用下，敏感性出现了明显的转折点，说明在降水量和最大风速较小时，不会很大影响敏感性；当降水量和风速增大到一定程度，敏感性会明显增加。
如图9c所示，可知春夏交通事故敏感性随着日最高气温和最大风速的增大而增大，整体变化趋于平缓，没有出现骤变；在日最高气温偏低时，气温的变化及最大风速的变化都不能引起二者敏感性发生明显变化。
因此，在春夏双因子组合中，20-20时降水量与最大风速的组合敏感性对交通事故影响最大。
2、秋冬全局敏感性分析
如图10a、10b、10c所示，可知日最低气温与20-20时降水量、最大风速、平均相对湿度的两两组合中，敏感性与最低气温呈反比关系，即随着最低气温的降低，敏感性逐渐增大，但在最低气温和20-20时降水量的组合中，高敏感性(顶部区域)区域更大，最低气温和最大风速组合中低敏感(中下区域)区域面积更大，日最低气温与平均相对湿度的组合中，高低敏感性区域面积相当。
如图10d所示，可知敏感性随着20-20时降水量与最大风速的增加而增加，在降水量较小时，风速的变化不能引起敏感性发生明显的变化，当降水量较大时，风速的变化能够引起敏感性发生明显的变化。
如图10e所示，可知交通事故对20-20时降水量与最大风速敏感度随二者的升高而升高，在二者同时处于较高水平时，二者的敏感性较高，而任意一者处于较低水平时，二者的敏感性都较低。
如图10f所示，可知交通事故对平均相对湿度和最大风速组合敏感性较大，敏感性变化趋势平缓，没有出现骤变的现象。
综上分析，秋冬气象因子组合中，日最低气温与20-20时降水量和平均相对湿度与20-20时降水量组合敏感性最大。
以上是本发明的具体实施方式，但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求书所限定的保护范围为准。

Claims (4)

1.一种城市快速路交通事故气象因子敏感性分析方法，其特征在于，包括如下步骤，
S1、基于GA-BP神经网络的交通事故气象预测
S11：BP神经网络结构确定
根据交通事故数据和气象数据，确定BP神经网络的输入层和输出层变量、隐含层数和隐含层节点数范围，激励函数和训练函数；
S12：遗传算法优化
使用遗传算法对BP神经网络进行优化，种群的个体包含了BP神经网络各个网络层的权重和阈值参数，根据适应度函数来计算个体相应的个体适应度值，再通过选择、交叉、变异操作，确定适应度值最优的个体；
S13：BP神经网络预测
将最优个体所包含的网络初始权值和阈值赋予神经网络，找到最佳神经网络模型的隐含层节点数和训练算法，并对神经网络模型进行误差性能分析和输出数据复合系数分析；
S2：GA-BP神经网络的敏感性分析
S21：基于随机化方法的局部敏感性分析
基于连接权、偏导、扰动三方向，分别使用Garson算法、Dimoponlos算法、百分比扰动方法进行敏感性分析，然后使用随机化检验方法对上述三种方法结果进行校验，确定气象因子与交通事故数之间的敏感性关系；
S22：基于二阶偏导的全局敏感性分析
采用Pa D2敏感性分析方法，分析模型各输入的双变量组合对模型输出的影响程度，求得双变量单样本敏感性系数，然后用综合公式将各样本中双变量的敏感性系数进行综合，以得到双变量对模型的总的影响，即全样本敏感性；同时，利用双变量全样本敏感性系数对双因子变量组合的综合敏感性大小进行排序。
2.根据权利要求1所述的城市快速路交通事故气象因子敏感性分析方法，其特征在于：所述步骤S11中输入层变量包括对交通事故有着紧密联系的气象因子，输出层的变量是交通事故数；输入层至隐含层的激励函数为Tansig函数，隐含层至输出层的激励函数为Purelin函数；备选训练函数为traingdx、traingdm、trainlm。
3.根据权利要求1所述的城市快速路交通事故气象因子敏感性分析方法，其特征在于，所述步骤S13中，误差性能分析以网络输出的均方误差作为网络训练性能指标，并将模型的误差精度期望值设为0.001。
4.根据权利要求1所述的城市快速路交通事故气象因子敏感性分析方法，其特征在于，所述步骤S21中随机化检验方法的处理流程如下：
S211、从数据中随机选择70％数据进行神经网络训练；
S212、对神经网络采用三种敏感性分析方法计算敏感性；
S213、重复上述两步骤1000次；
S214、对计算得到的敏感性求均值；
S215、计算各因子相对敏感性。
CN202110885395.8A 2021-08-03 2021-08-03 一种城市快速路交通事故气象因子敏感性分析方法 Pending CN113611114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110885395.8A CN113611114A (zh) 2021-08-03 2021-08-03 一种城市快速路交通事故气象因子敏感性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110885395.8A CN113611114A (zh) 2021-08-03 2021-08-03 一种城市快速路交通事故气象因子敏感性分析方法

Publications (1)

Publication Number Publication Date
CN113611114A true CN113611114A (zh) 2021-11-05

Family

ID=78306593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110885395.8A Pending CN113611114A (zh) 2021-08-03 2021-08-03 一种城市快速路交通事故气象因子敏感性分析方法

Country Status (1)

Country Link
CN (1) CN113611114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
CN107978149A (zh) * 2017-11-17 2018-05-01 嘉兴四维智城信息科技有限公司 台风天气城市交通事故概率预测处理装置及其方法
CN112349098A (zh) * 2020-11-03 2021-02-09 南京信息职业技术学院 高速公路出口匝道区域环境要素对事故严重程度估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976501A (zh) * 2010-10-29 2011-02-16 天津市市政工程设计研究院 基于主成分分析和神经网络的港区道路安全性预测方法
CN103198713A (zh) * 2013-03-21 2013-07-10 东南大学 基于交通数据和天气数据的减少交通事故的车辆调控方法
CN107978149A (zh) * 2017-11-17 2018-05-01 嘉兴四维智城信息科技有限公司 台风天气城市交通事故概率预测处理装置及其方法
CN112349098A (zh) * 2020-11-03 2021-02-09 南京信息职业技术学院 高速公路出口匝道区域环境要素对事故严重程度估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢霄娟: "雨天城市快速路短时速度预测与交通安全评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
蔡毅 等: "敏感性分析综述", 《北京师范大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法
CN116935985B (zh) * 2023-07-17 2024-03-15 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Similar Documents

Publication Publication Date Title
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN111160520A (zh) 一种基于遗传算法优化的bp神经网络风速预测方法
CN111105332A (zh) 一种基于人工神经网络的高速公路智能预养护方法及***
CN110751108B (zh) 一种地铁分布式振动信号相似度确定方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112070128A (zh) 一种基于深度学习的变压器故障诊断方法
CN113807432A (zh) 一种基于深度学习的气温预报数据订正方法
CN111126868B (zh) 一种道路交通事故发生风险确定方法及***
CN114781538A (zh) 一种ga-bp神经网络耦合决策树的空气质量预测方法和***
CN112836604A (zh) 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN112966871A (zh) 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN110717581A (zh) 一种基于温度模糊处理和dbn的短期负荷预测方法
CN113743016A (zh) 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN113611114A (zh) 一种城市快速路交通事故气象因子敏感性分析方法
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测***及其方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及***
CN117520809A (zh) 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法
CN117350146A (zh) 一种基于ga-bp神经网络的排水管网健康性评价方法
CN117113202A (zh) 基于联合误差堆叠模型的电力回路能耗检测方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211105