一种基于埃尔曼神经网络的高等级公路事故预测方法与流程

1.本发明涉及高等级公路基本路段交通事故预测领域，尤其涉及一种基于埃尔曼神经网络的高等级公路事故预测方法。

背景技术：

2.据研究表明，对于山区公路而言，导致交通事故频发的重要原因之一就在于其复杂的几何线形条件，因此从道路几何线形指标出发，以其为主要影响因素，探索山区高等级公路交通事故的发生规律，并在此基础上建立山区高等级公路事故预测模型，对于提出有针对性的山区高等级公路安全改善对策具有十分重要的意义。近些年来，在山区高等级公路交通事故预测领域未形成一套完整的、成熟的、权威的事故预测体系，泊松系列事故预测模型基本都在模型精度较低的问题。而大多欧美学者研究的事故预测模型大多都是基于国外公路数据建立的，对于我国公路事故预测的适用性有待论证。此外，基于统计假设检验建立的事故预测模型，都具有假设条件或预定义变量与之间的关系，而这种预定义对神经网络而言是不需要的，大量研究也表明了神经网络技术在处理预测类问题上具有优势。因此，基于神经网络技术为依托，以道路线形条件及交通量aadt为模型输入变量，提出一种基于埃尔曼神经网络的山区高等级公路事故预测方法，对于改善山区高等级公路交通安全需求和提出具有针对性的对策，具有十分重要的意义。

技术实现要素：

3.本发明的目的为解决现有技术的不足，提供一种基于埃尔曼神经网络的高等级公路事故预测方法，本发明适用于我国山区高等级公路的事故预测，从而对于改善山区高等级公路交通安全需求，并提出具有针对性的对策具有十分重要的意义。本发明采用如下技术方案：
4.根据本发明的一个方面，本发明提供了一种基于埃尔曼神经网络的高等级公路事故预测方法，所述预测方法包括以下步骤：
5.步骤1：数据收集，以年为单位，收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据；
6.步骤2：路段划分，基于道路几何线形指标对预分析的山区高等级公路进行基本路段单元划分，确定基本路段单元划分规则；
7.步骤3：道路几何线形指标筛选，基于粗糙集理论筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标；
8.步骤4：几何线形指标赋值，对有突出影响的基本路段单元的几何线形指标空值项进行赋值；
9.步骤5：建立预测模型，建立基于埃尔曼神经网络的高等级公路事故预测模型，对高等级公路基本路段交通事故进行预测，获取交通事故预测数值。
10.上述方案进一步优选的，所述步骤3中，筛选出对山区高等级公路交通事故发生有
突出影响的基本路段单元的几何线形指标包括如下步骤：选择交通量和基本路段单元的几何线形指标作为初为初始自变量；以初始自变量作为粗糙集理论的输入变量进行筛选预测出对交通事故发生有突出影响的基本路段单元的几何线形指标。
11.上述方案进一步优选的，以初始自变量作为粗糙集理论的输入变量进行筛选预测出对交通事故发生有突出影响的基本路段单元的几何线形指标包括如下步骤：
12.设s＝(u,a)为基本路段单元的线形指标数据系统，u＝{x1,x2,
…
,xn}，xi为第i个基本路段单元，a＝{a1,a2,
…
,a7}分别对应相应路段单元的7个道路几何线形指标变量，
13.设d＝{d(x1),d(x2),
…
,d(xn)}，d(xi)为基本路段单元的交通事故发生的事故率i，矩阵m(s)＝(c
ij
)n×n为线形指标数据系统s的可辨识矩阵；
14.可辨识矩阵元素c
ij
取值满足：
[0015][0016][0017]
将收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据作为基本路段单元的初始自变量，输入至rosetta软件中，在rosetta软件中利用johnson算法对数据进行约简，筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的四个几何线形指标变量。
[0018]
上述方案进一步优选的，基本路段单元的几何线形指标包括道路平面线形和/或道路纵断面线形的相互组合形成的指标，其中，所述道路平面线形分别包括直线长度、平曲线偏角和平曲线半径；所述道路纵断面线形分别包括上坡、下坡、凸形竖曲线和凹形竖曲线，为此将道路平面线形与道路纵断面线形相互组合形成上坡直线、下坡直线、凸形竖曲线直线、凹形竖曲线直线、上坡平曲线、下坡平曲线、凸形竖曲线平曲线和凹形竖曲线平曲线。
[0019]
上述方案进一步优选的，所述基本路段单元的四个几何线形指标变量为平曲线半径、纵坡坡度、直线长度和竖曲线长度。
[0020]
上述方案进一步优选的，步骤5中，对高等级公路基本路段交通事故进行预测按如下步骤进行：以几何线形指标的变量作为输入变量，对输入变量进行归一化处理，以输出因变量为路段单元事故数，然后应用matlab r2011b神经网络建立基于埃尔曼神经网络的高等级公路事故预测模型，所述埃尔曼神经网络的高等级公路事故预测模型由输入层、反馈层和输出层组成，在反馈层设置60个神经元，输在输出层设置一个偏置值，使输入层到反馈层的权值矩阵为一个60
×
5的矩阵，用建立好的埃尔曼神经网络的高等级公路事故预测模对高等级公路基本路段进行交通事故预测并输出交通事故预测数值。
[0021]
上述方案进一步优选的，步骤4中对有突出影响的基本路段单元的几何线形指标空值项进行赋值过程为：假定道路几何线形指标筛选所有事故均存在几何线形指标变量空值，基本路段单元所对应的几何无线形输入变量均为理想线形条件下所对应的几何线形指标值，则对基本路段单元的几何线形指标自变量空值项进行赋值。
[0022]
综上所述，本发明由于采用了以上技术方案，本发明具有以下显著效果：
[0023]
本发明解决了高等级公路事故预测困难等问题，通过应用埃尔曼神经网络实现高
等级公路交通事故预测，为高等级公路管理者提供安全管理依据，改善高等级公路的安全状况，同时为高等级公路安全运营管理提供重要保障。
附图说明
[0024]
图1是本发明的一种基于埃尔曼神经网络的高等级公路事故预测方法的的流程图。
[0025]
图2是本发明的高等级公路事故预测模型的结构示意图。
具体实施方式
[0026]
为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。下面结合附图，对本发明做进一步地详细说明，但本发明的实施方式不仅限于此。
[0027]
结合图1所示，本发明提供的一种基于埃尔曼神经网络的高等级公路事故预测方法，所述预测方法包括以下步骤：
[0028]
步骤1：数据收集，以年为单位，收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据；
[0029]
步骤2：路段划分，基于道路几何线形指标对预分析的山区高等级公路进行基本路段单元划分，确定基本路段单元划分规则；基于道路几何线形指标，将用于粗糙集理论的输入变量标定的样本山区高等级公路基本路段进行划分，从而形成一个个基本路段单元。其中，将道路几何线形分为平面和纵断面两大类，平面线形又分为直线和竖曲线两类，纵断面线形分为上坡、下坡、凸形竖曲线、凹形竖曲线四类。将平面线形与纵断面线形进行排列组合，得到8种事故预测样本单元，即上坡直线、下坡直线、凸形竖曲线直线、凹形竖曲线直线、上坡平曲线、下坡平曲线、凸形竖曲线平曲线、凹形竖曲线平曲线；
[0030]
步骤3：道路几何线形指标筛选，基于粗糙集理论筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标；基本路段单元的几何线形指标包括道路平面线形和/或道路纵断面线形的相互组合形成的指标，筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标包括如下步骤：选择交通量和基本路段单元的几何线形指标作为初为初始自变量；以初始自变量作为粗糙集理论的输入变量进行筛选预测出对交通事故发生有突出影响的基本路段单元的几何线形指标；其中，所述道路平面线形分别包括直线长度、平曲线偏角和平曲线半径；所述道路纵断面线形分别包括上坡、下坡、凸形竖曲线和凹形竖曲线，为此将道路平面线形与道路纵断面线形相互组合形成上坡直线、下坡直线、凸形竖曲线直线、凹形竖曲线直线、上坡平曲线、下坡平曲线、凸形竖曲线平曲线和凹形竖曲线平曲线；选择交通量(aadt)、道路平面线形指标(直线长度、平曲线偏角、平曲线半径)、道路纵断面线形指标(竖曲线长度、竖曲线半径、坡长、坡度)作为初始自变量。交通变量aadt直接保留，基于粗糙集理论筛选道路平面线形指标和道路纵断面线形指标，选择出对山区高等级公路交通事故发生有突出影响的几何线形指标和aadt一并作为输入变量。粗糙集理论是一种数学工具，大多用来处理模糊性数据及缺失数据，其属性约简过程就是自变量的筛选过程。本方法利用粗糙集理论可辨识矩阵的约简算法来进行
输入变量的筛选，包括如下步骤：
[0031]
设s＝(u,a)为基本路段单元的线形指标数据系统，u＝{x1,x2,
…
,xn}，xi为第i个基本路段单元，a＝{a1,a2,
…
,a7}分别对应相应路段单元的7个道路几何线形指标变量，
[0032]
设d＝{d(x1),d(x2),
…
,d(xn)}，d(xi)为基本路段单元筛选的交通事故发生的事故率i，矩阵m(s)＝(c
ij
)n×n为线形指标数据系统s的可辨识矩阵；
[0033]
可辨识矩阵元素c
ij
取值满足：
[0034][0035]
将收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据作为基本路段单元的初始自变量(样本数据)输入至rosetta软件中，在rosetta软件中利用johnson算法对数据进行约简，筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的四个几何线形指标变量，四个几何线形指标变量为平曲线半径、纵坡坡度、直线长度和竖曲线长度。
[0036]
步骤4：几何线形指标赋值，对有突出影响的基本路段单元的几何线形指标空值项进行赋值；道路几何线形指标筛选所有事故预测均存在线形指标变量空值，而基于埃尔曼神经网络的事故预测模型标定的输入变量必须存在具体的实数值，因此假定事故基本路段单元的几何无线形指标自变量均为理想线形条件下所对应的几何线形指标值，即按照上述规则对基本路段单元的线形指标自变量空值项进行赋值，各自变量的理想几何线形条件指标取值如表2所示，
[0037]
表2：山区高等级公路理想线形条件指标值
[0038][0039]
步骤5：建立预测模型，建立基于埃尔曼神经网络的高等级公路事故预测模型，对高等级公路基本路段交通事故进行预测，获取交通事故预测数值；即事故率。如图2所示，模型建立前先将各个基本路段单元自变量(输入变量)数据进行归一化，然后应用matlab r2011b神经网络工具箱建立高等级公路埃尔曼神经网络事故预测模型，采用的埃尔曼神经网络的隐层传递函数为logsig属性，输出层传递函数为logsig属性，反馈层设置的神经元数量为60个，本方法所建立的山区高等级公路事故预测埃尔曼神经网络模型输出层的偏置值为：-1.1791；模型输入层到隐层的权值矩阵(为一个60
×
5的矩阵)，用建立好的埃尔曼神经网络事故预测模型对高等级公路基本路段进行交通事故预测并输出预测事故率，模型最后输出的数值即对路段单元所预测的事故率(起/年)，其中事故率小于1时，则可以人为不发生事故，若大于1，则发生了1起交通事故，例如事故率为2或2.5，则人为发生了2起交通事
故；由于山区高等级公路的事故率与道路线形指标之间存在复杂的非线性关系，事故率即出变量又是唯一且确定的，又因为埃尔曼神经网络是一种带反馈的双层神经网络，能以任意精度逼近任意函数，隐含层中的神经元数量越多，其逼近复杂函数的能力就越强。
[0040]
以上所述仅为发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：所述预测方法包括以下步骤：步骤1：数据收集，以年为单位，收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据；步骤2：路段划分，基于道路几何线形指标对预分析的山区高等级公路进行基本路段单元划分，确定基本路段单元划分规则；步骤3：道路几何线形指标筛选，基于粗糙集理论筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标；步骤4：几何线形指标赋值，对有突出影响的基本路段单元的几何线形指标空值项进行赋值；步骤5：建立预测模型，建立基于埃尔曼神经网络的高等级公路事故预测模型，对高等级公路基本路段交通事故进行预测，获取交通事故预测数值。2.根据权利要求1所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：所述步骤3中，筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标包括如下步骤：选择交通量和基本路段单元的几何线形指标作为初为初始自变量；以初始自变量作为粗糙集理论的输入变量进行筛选预测出对交通事故发生有突出影响的基本路段单元的几何线形指标。3.根据权利要求2所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：以初始自变量作为粗糙集理论的输入变量进行筛选预测出对交通事故发生有突出影响的基本路段单元的几何线形指标包括如下步骤：设s＝(u,a)为基本路段单元的线形指标数据系统，u＝{x1,x2,
…
,x
n
}，x
i
为第i个基本路段单元，a＝{a1,a2,
…
,a7}分别对应相应路段单元的7个道路几何线形指标变量，设d＝{d(x1),d(x2),
…
,d(x
n
)}，d(x
i
)为基本路段单元的交通事故发生的事故率i，矩阵m(s)＝(c
ij
)
n
×
n
为线形指标数据系统s的可辨识矩阵；可辨识矩阵元素c
ij
取值满足：将收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据作为基本路段单元的初始自变量，输入至rosetta软件中，在rosetta软件中利用johnson算法对数据进行约简，筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的四个几何线形指标变量。4.根据权利要求2所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：基本路段单元的几何线形指标包括道路平面线形和/或道路纵断面线形的相互组合形成的指标，其中，所述道路平面线形分别包括直线长度、平曲线偏角和平曲线半径；所述道路纵断面线形分别包括上坡、下坡、凸形竖曲线和凹形竖曲线，为此将道路平面线形与道路纵断面线形相互组合形成上坡直线、下坡直线、凸形竖曲线直线、凹形竖曲线直线、上
坡平曲线、下坡平曲线、凸形竖曲线平曲线和凹形竖曲线平曲线。5.根据权利要求3所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：所述基本路段单元的四个几何线形指标变量为平曲线半径、纵坡坡度、直线长度和竖曲线长度。6.根据权利要求1所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：步骤5中，对高等级公路基本路段交通事故进行预测按如下步骤进行：以几何线形指标的变量作为输入变量，对输入变量进行归一化处理，以输出因变量为路段单元事故数，然后应用matlabr2011b神经网络建立基于埃尔曼神经网络的高等级公路事故预测模型，所述埃尔曼神经网络的高等级公路事故预测模型由输入层、反馈层和输出层组成，在反馈层设置60个神经元，输在输出层设置一个偏置值，使输入层到反馈层的权值矩阵为一个60
×
5的矩阵，用建立好的埃尔曼神经网络的高等级公路事故预测模对高等级公路基本路段进行交通事故预测并输出交通事故预测数值。7.根据权利要求1所述的一种基于埃尔曼神经网络的高等级公路事故预测方法，其特征在于：步骤4中对有突出影响的基本路段单元的几何线形指标空值项进行赋值过程为：假定道路几何线形指标筛选所有事故均存在几何线形指标变量空值，基本路段单元所对应的几何无线形输入变量均为理想线形条件下所对应的几何线形指标值，则对基本路段单元的几何线形指标自变量空值项进行赋值。

技术总结

本发明公开了一种基于埃尔曼神经网络的高等级公路事故预测方法，包括以下步骤：以年为单位，收集预分析的山区高等级公路的事故数、交通量和道路线形指标相关数据；基于道路几何线形指标对预分析的山区高等级公路进行基本路段单元划分，确定基本路段单元划分规则；基于粗糙集理论筛选出对山区高等级公路交通事故发生有突出影响的基本路段单元的几何线形指标；对有突出影响的基本路段单元的几何线形指标空值项进行赋值；建立基于埃尔曼神经网络的高等级公路事故预测模型，对高等级公路基本路段交通事故进行预测，获取交通事故发生率。本发明实现高等级公路交通事故的预测，解决了高等级公路事故预测困难等问题，为高等级公路提供了安全管理依据。公路提供了安全管理依据。公路提供了安全管理依据。