CN104680790A - 一种基于误差逆传播算法的集疏港公路安全评价方法 - Google Patents

Abstract

本发明提供一种基于误差逆传播算法的集疏港公路安全评价方法，通过误差逆传播算法(PB算法)，基于集疏港公路特殊交通状况的综合指标体系，构建基于误差逆传播算法的集疏港公路安全评价模型。本发明方法针对集疏港公路交通的特殊现状及存在问题，从驾驶员、交通流状态、交通环境、交通管理四方面建立了适合集疏港公路特殊交通状况的综合指标体系，构建了基于一种基于误差逆传播算法的集疏港公路安全评价模型，对于提高交通管理部门的管理和决策水平具有指导作用。

Description

一种基于误差逆传播算法的集疏港公路安全评价方法

技术领域

本发明属于公路安全评价方法技术领域，尤其是涉及一种基于误差逆传播算法的集疏港公路安全评价方法。

背景技术

随着经济的快速增长，机动车保有量的快速增长，近年来交通事故数量及死亡人数一直据高不下。相关研究人员对交通安全进行了大量研究，已取得一定进展。但在目前我国公路的可行性研究与前期设计阶段，对于公路安全的整体评价与优化仍然较为欠缺，特别是在集疏港公路事故隐患排查等方面的研究工作并不深入。集疏港公路因功能特殊，其典型的集疏港交通造成货车超载、超轴重及大交通量等不良现象，交通环境呈恶劣化。

道路交通安全评价是对某一地区、路线、路段或地点(断面)的交通安全程度的评估，为客观分析道路安全条件提供重要的依据。交通安全评价对道路交通安全状况、发展过程和趋势进行分析，判断出道路的安全等级，以便为研究交通安全管理体系和交通安全技术措施，提高交通安全对策、规划管理水平，有效地控制交通事故的增长趋势，减少交通事故损失提供帮助的有效依据。

国外对交通安全的评价方法主要有概率数理统计方法和强度分析法两种，这些方法分析过于简单，没有从根源综合考虑其他因素，难以作出准确的评价，因而不具有通用性。A.S.Hakkert利用CART法来分析城际间主要道路的安全等级，但是其研究的变量和道路条件有限只具备一定的代表性。另外，美国学者伯金斯等人提出了交通冲突技术(TCT)，但其需要一定的辅助技术，且对交通冲突的观察比较复杂，因而实现起来相对比较困难。

国内学者对交通安全的研究集中在上述两大方面，张苏提出了中国交通冲突技术(Chinese Traffic Conflict Technique，简称CTCT)，但其操作复杂。刘清运用等级系数法系统的研究了道路交通安全状态，该方法简单易行，注重实用，易为道路基层管理人员所接受。但是该方法存在在精确性不足等缺点，有待通过实际应用来加以改进。邵祖峰从人、车、道路、环境四方面建立了一套较为合理的评价指标体系，但存在等级评分时人为因素较重这个缺点。

一种基于误差逆传播算法的多层前馈网络——Propagation网络具有与人脑神经网络某些相似的特性，如自学习、自组织、非线性动态处理、分布式知识存储和联想记忆等，为研究和处理具有不确定性的现象提供了强有力的工具。影响集疏港道路交通安全的因素众多，关系复杂，数据干扰大，因素的测度难以确定，与Back Propagation网络的特性符合。因此，用基于误差逆传播算法的Back Propagation网络进行集疏港公路交通安全评价是可行的。

发明内容

本发明要解决的问题是提供一种基于误差逆传播算法的集疏港公路安全评价方法。

本发明的核心思想是通过误差逆传播算法(PB算法)，基于集疏港公路特殊交通状况的综合指标体系，构建基于误差逆传播算法的集疏港公路安全评价模型。

为解决上述技术问题，本发明采用的技术方案是：

一种基于误差逆传播算法的集疏港公路安全评价方法，包括如下步骤：

1)基于集疏港公路的复杂交通状况，确定评价指标及其数值；

2)对项目因素对象可能做出的各种评判结果，得到目标向量，并选定目标向量；

3)根据BP隐藏层节点算法，确定隐藏层的隐含节点的个数的初步参考值；

4)初始化权值、系数，给误差逆传播算法的各层权系数W^ij赋予(-1，1)区间内的非零随机数，其中W^ij表示第i个节点到第j个节点之间的权系数，其中W_i，n+1＝-θ，n为输入层节点数，θ为阈值；

5)将输入样本值以及其对应的期望输出值成对提供给基于误差逆传播算法的BP神经网络评价模型；

6)计算各层的输出；

7)计算各层的实际输出与目标输出的误差其中k为输出层个数；

8)修正权系数W^ij与阈值θ_i(W^i，n+1)；

9)随机选取下一个学习样本值对,将其提供给基于BP神经网络评价模型，返回6)直至全部Q个样本对训练完毕；

10)重新从Q个样本值对中任选一对,返回步骤3)对隐藏层的隐含节点个数采用试算法进行修正，直至误差函数E^av小于预先设定的精确值e，完成BP神经网络评价模型的训练；当迭代次数N大于某个给定的设定值,停止计算；

11)将步骤1)中得到的评价指标数值进行归一化处理,将其限制在[0,1]区间内，然后将其作为输入值代入已训练好的基于BP神经网络评价模型，得到的输出值与步骤2)中的目标向量进行比较，最终得到高速公路的安全等级。

优选的，所述步骤3)中确定隐藏层的隐含节点的个数采用下列公式：

$n_1=\sqrt{n+m}+c---\left(1\right)$

其中：n₁-隐藏层节点数，n-输入层节点数，m-输出层节点数，c为1-10之间的常数。

优选的，评价神经网络的各节点采用Sigmoid非线性阈值单元，激励函数为：

$f\left(x\right)=\frac{1}{1+e^{-\mathrm{ax}}},a>0$

其中a赋以随机值。

优选的，所述步骤6)中计算各层的输出，对于第k层第i个神经元的输出有

$U_i^k=\mathrm{\Σ}{W}_{\mathrm{ij}}{A}_i^{k-1}---\left(2\right)$

式中： $A_{n+1}^{k-1}=1,W_{i,n+1}={-\mathrm{\θA}}_i^k=f\left(U_i^k\right).$

优选的，所述步骤7)中计算各层的实际输出与目标输出的误差

当输出层k＝m，则 $d_i^m=A_i^m(A_i^m-y_i^m)(1-A_i^m)---\left(3\right)$

对于其它各层有，则 $d_i^k=A_i^k(1-A_i^k)\mathrm{\Σ}{W}_{\mathrm{Ii}}{d}_I^{k+1}---\left(4\right).$

优选的，所述步骤8)中修正权系数W^ij与阈值θ_i(W^i，n+1)使用如下公式：

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-{\mathrm{\αd}}_i^k{A}_i^{k-1}+\mathrm{\β\Δ}{W}_{\mathrm{ij}}\left(t\right)---\left(5\right)$

式中： ${\mathrm{\ΔW}}_{\mathrm{ij}}\left(t\right)=W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1)={-\mathrm{\αd}}_i^k{A}_i^{k-1}+{\mathrm{\β\ΔW}}_{\mathrm{ij}}(t-1),$

α为学习率，β为权系数修正常数。

优选的，全局平均误差 $R_a=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{E}_k,E_k=\frac{1}{2}\mathrm{\Σ}{(A_i^m-Y_i)}^2.$

优选的，所述步骤1)中的评价指标包括35岁以下驾龄驾驶人比例、驾驶人安全意识、饱和度、大车型所占交通比例、设计车速、平均车速、大小车平均速度差、车头时距、车辆换车道率、年不良气候天数、安全诱导设施、安全防护设施、平纵横线形、监控系统、管理水平。

本发明具有的优点和积极效果是：

本发明方法针对集疏港公路交通的特殊现状及存在问题，从驾驶员、交通流状态、交通环境、交通管理四方面建立了适合集疏港公路特殊交通状况的综合指标体系，构建了基于一种基于误差逆传播算法的集疏港公路安全评价模型，对于提高交通管理部门的管理和决策水平具有指导作用。

附图说明

图1是一种基于误差逆传播算法的集疏港公路安全评价指标体系示意图

图2是种基于误差逆传播算法的集疏港公路安全评价方法步骤示意图

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的具体实施例做详细说明。

天津市滨海新区作为成天津市未来五年发展重点，在公路交通方面发展极为迅猛。随着滨海新区的高速发展以及大型机动车保有量的猛增，加剧了机动车增长与自有设施滞后的结构性矛盾，造成了滨海新区海滨大道整体道路条件较为复杂，本发明实施例以海滨大道为例。

本发明一种基于误差逆传播算法的集疏港公路安全评价方法，包括如下步骤：

步骤1，基于集疏港公路的复杂交通状况，确定评价指标；集疏港公路交通安全评价指标体系见下表1：

表1：集疏港公路交通安全评价指标体系

本实施例对海滨大道的评价指标和指标值见下表：

表2：海滨大道评价指标值

指标名称	值
		35岁以下驾龄驾驶人比例P11	81
驾驶人安全意识P12	79
		饱和度P21	52
大车型所占交通比例P22	75
		设计车速P23	120
平均车速P24	70
		大小车平均速度差P25	29
车头时距P26	9
		车辆换车道率P27	53
年不良气候天数P31	49
		安全诱导设施P32	82
安全防护设施P33	81
		平纵横线形P34	72

监控系统P41	85
		管理水平P42	83

步骤2，对项目因素对象可能做出的各种评判结果，得到目标向量，并选定目标向量；

本实施例的目标向量定为四个安全等级，见下表：

表3评价等级划分表

安全等级	期望输出值
		十分安全	0.9，0.1，0.1，0.1
比较安全	0.1，0.9，0.1，0.1
		一般安全	0.1，0.1，0.9，0.1
不安全	0.1，0.1，0.1，0.9

步骤3，根据BP隐藏层节点算法，确定隐藏层的隐含节点的个数的初步参考值；本实施例隐含节点个数的初步参考值采用下列公式：

$n_1=\sqrt{n+m}+c---\left(1\right)$

其中：n₁-隐藏层节点数，n-输入层节点数，m-输出层节点数，c为1-10之间的常数；

采用上式计算隐藏层节点数的初步参考值，再此基础上，采用试算法：在训练过程中不断改变隐藏层节点数，通过比较不同隐节点数下BP网络的训练和检验误差、训练步数、BP网络结构等评价标准选用最佳隐节点数，试算后最后n₁选取22个节点；

步骤4，初始化权值、系数，给误差逆传播算法的各层权系数W^ij赋予(-1，1)区间内的非零随机数，其中：W^ij表示第i个节点到第j个节点之间的权系数，其中W_i，n+1＝-θ，n为输入层节点数，θ为阈值；

评价神经网络的各节点采用Sigmoid非线性阈值单元，激励函数为：

$f\left(x\right)=\frac{1}{1+e^{-\mathrm{ax}}},a>0$

其中a赋以随机值。

步骤5，将输入样本值X^k对，以及其对应的期望输出的Y^k，提供给基于BP神经网络评价模型；

步骤6，计算各层的输出；

具体的对于第k层第i个神经元的输出有

$U_i^k=\mathrm{\Σ}{W}_{\mathrm{ij}}{A}_i^{k-1}---\left(2\right)$

式中： $A_{n+1}^{k-1}=1,W_{i,n+1}={-\mathrm{\θA}}_i^k=f\left(U_i^k\right);$

步骤7，计算各层的实际输出与目标输出的误差其中k为输出层个数：

当输出层k＝m，则 $d_i^m=A_i^m(A_i^m-y_i^m)(1-A_i^m)---\left(3\right)$

对于其它各层有，则 $d_i^k=A_i^k(1-A_i^k)\mathrm{\Σ}{W}_{\mathrm{Ii}}{d}_I^{k+1}---\left(4\right);$

步骤8，修正权系数W^ij与阈值θ_i(W^i，n+1)；

修正时使用如下公式：

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-{\mathrm{\αd}}_i^k{A}_i^{k-1}+\mathrm{\β\Δ}{W}_{\mathrm{ij}}\left(t\right)---\left(5\right)$

式中： ${\mathrm{\ΔW}}_{\mathrm{ij}}\left(t\right)=W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1)={-\mathrm{\αd}}_i^k{A}_i^{k-1}+{\mathrm{\β\ΔW}}_{\mathrm{ij}}(t-1),$

α为学习率，β为权系数修正常数；

图2中计算局部梯度步骤，指的是修正权系数中的ΔW_ij(t)。

步骤9，随机选取下一个学习样本值对,将其提供给基于BP神经网络评价模型，返回6)直至全部Q个样本对训练完毕；

步骤10，重新从Q个样本值对中任选一对,返回步骤3)对隐藏层的隐含节点个数采用试算法进行修正,直至误差函数E^av小于预先设定的精确值e，完成BP神经网络评价模型的训练；当迭代次数N大于某个给定的设定值,停止计算；

其中全局平均误差为 $R_a=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{E}_k,E_k=\frac{1}{2}\mathrm{\Σ}{(A_i^m-Y_i)}^2;$

步骤11，将步骤1)中得到的评价指标数值进行归一化处理,将其限制在[0,1]区间内，然后将其作为输入值代入已训练好的基于BP神经网络评价模型，得到的输出值与步骤2)中的目标向量进行比较，最终得到高速公路的安全等级。

本实施例将步骤1中的评价指标值进行归一化处理后输入到已训练好的BP神经网络评价模型中，得到结果“a＝(0.003，0.0397，0.0790，0.9931)”；将结果与步骤2中的评价等级进行比较，从评价计算结果分析,海滨大道高速公路的第四项数据为最大值0.9931，最接近0.9，其他数据均在0.1附近，评价结果是收敛的，可以确定该高速公路交通安全状况为不安全，根据该评价结果判断，海滨大道交通环境整体恶劣，需进行交通优化、加强交通安全管理。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种基于误差逆传播算法的集疏港公路安全评价方法，其特征在于包括如下步骤：

1)基于集疏港公路的复杂交通状况，确定评价指标及其数值；

2)对项目因素对象可能做出的各种评判结果，得到目标向量，并选定目标向量；

3)根据BP隐藏层节点算法，确定隐藏层的隐含节点的个数的初步参考值；

4)初始化权值、系数，给误差逆传播算法的各层权系数W^ij赋予(-1，1)区间内的非零随机数，其中W^ij表示第i个节点到第j个节点之间的权系数，其中W_i，n+1＝-θ，n为输入层节点数，θ为阈值；

5)将输入样本值以及其对应的期望输出值成对提供给基于误差逆传播算法的BP神经网络评价模型；

6)计算各层的输出；

7)计算各层的实际输出与目标输出的误差其中k为输出层个数；

8)修正权系数W^ij与阈值θ_i(W^i，n+1)；

9)随机选取下一个学习样本值对,将其提供给基于BP神经网络评价模型，返回6)直至全部Q个样本对训练完毕；

10)重新从Q个样本值对中任选一对,返回步骤3)对隐藏层的隐含节点个数采用试算法进行修正，直至误差函数E^av小于预先设定的精确值e，完成BP神经网络评价模型的训练；当迭代次数N大于某个给定的设定值,停止计算；

11)将步骤1)中得到的评价指标数值进行归一化处理,将其限制在[0,1]区间内，然后将其作为输入值代入已训练好的基于BP神经网络评价模型，得到的输出值与步骤2)中的目标向量进行比较，最终得到高速公路的安全等级。

2.根据权利要求1所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：所述步骤3)中确定隐藏层的隐含节点的个数采用下列公式：

$n_1=\sqrt{n+m}+c---\left(1\right)$

其中：n₁-隐藏层节点数，n-输入层节点数，m-输出层节点数，c为1-10之间的常数。

3.根据权利要求2所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：评价神经网络的各节点采用Sigmoid非线性阈值单元，激励函数为：

$f\left(x\right)=\frac{1}{1+e^{-\mathrm{ax}}},a>0$

其中a赋以随机值。

4.根据权利要求2所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：所述步骤6)中计算各层的输出，对于第k层第i个神经元的输出有

$U_i^k=\mathrm{\Σ}{W}_{\mathrm{ij}}{A}_i^{k-1}---\left(2\right)$

式中： $A_{n+1}^{k-1}=1,W_{i,n+1}=-\mathrm{\θ}{A}_i^k=f\left(U_i^k\right).$

5.根据权利要求3所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：所述步骤7)中计算各层的实际输出与目标输出的误差

当输出层k＝m，则 $d_i^m=A_i^m(A_i^m-y_i^m)(1-A_i^m)---\left(3\right)$

对于其它各层有，则 $d_i^k=A_i^k(1-A_i^k)\mathrm{\Σ}{W}_{\mathrm{Ii}}{d}_I^{k+1}---\left(4\right).$

6.根据权利要求4所述的基于误差逆传播算法的集疏港公路安全评价方法基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：所述步骤8)中修正权系数W^ij与阈值θ_i(W^i，n+1)使用如下公式：

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-{\mathrm{\αd}}_i^k{A}_i^{k-1}+\mathrm{\β\Δ}{W}_{\mathrm{ij}}\left(t\right)---\left(5\right)$

式中： $\mathrm{\Δ}{W}_{\mathrm{ij}}\left(t\right)=W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1)=-\mathrm{\α}{d}_i^k{A}_i^{k-1}+\mathrm{\β\Δ}{W}_{\mathrm{ij}}(t-1),$

α为学习率，β为权系数修正常数。

7.根据权利要求2所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：全局平均误差为 $R_{\mathrm{\α}}=\frac{1}{N}{\mathrm{\Σ}}_{k=1}^N{E}_k,E_k=\frac{1}{2}\mathrm{\Σ}{(A_i^m-Y_i)}^2.$

8.根据权利要求1所述的基于误差逆传播算法的集疏港公路安全评价方法，其特征在于：所述步骤1)中的评价指标包括35岁以下驾龄驾驶人比例、驾驶人安全意识、饱和度、大车型所占交通比例、设计车速、平均车速、大小车平均速度差、车头时距、车辆换车道率、年不良气候天数、安全诱导设施、安全防护设施、平纵横线形、监控系统、管理水平。