CN115600726A - 一种基于神经网络的隧道交通事故严重程度预测方法 - Google Patents
一种基于神经网络的隧道交通事故严重程度预测方法 Download PDFInfo
- Publication number
- CN115600726A CN115600726A CN202211137085.9A CN202211137085A CN115600726A CN 115600726 A CN115600726 A CN 115600726A CN 202211137085 A CN202211137085 A CN 202211137085A CN 115600726 A CN115600726 A CN 115600726A
- Authority
- CN
- China
- Prior art keywords
- accident
- factor
- factors
- tunnel traffic
- principal component
- 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.)
- Granted
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000254158 Lampyridae Species 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 241000360552 Phengodidae Species 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于交通事故预测技术领域,涉及一种基于神经网络的隧道交通事故严重程度预测方法,包括步骤:S1、得到各事故因素对应的量化指标表;S2、获取各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据;S3、通过主成分分析法对各事故因素中的多种子因素进行降维,以确定各事故因素的主成分个数以及主成分荷载;S4、确定各隧道交通事故训练样本中各事故因素的主成分;S5、采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型;S6、将真实隧道交通场景中各事故因素的主成分输入优化后的BP神经网络模型,以输出交通事故严重程度的预测结果。本发明可有效对隧道交通事故严重程度进行预测,提高公路隧道运行的安全性。
Description
技术领域
本发明属于交通事故预测技术领域,具体涉及一种基于神经网络的隧道交通事故严重程度预测方法。
背景技术
由于公路隧道具有改善道路线形、缩短通行时间、保护生态环境等优势,我国隧道建设的到了快速的发展。目前,中国已成为世界上隧道建设数量最多、里程最长、发展最快的国家。根据交通运输部发布的《2020年交通运输行业发展统计公报》统计数据显示:截止2020年底,全国公路已通车隧道21316处,通车总里程2199.93万米(2.19993万公里),其中特长隧道1394道(623.55万延米),长隧道5541道(963.32万延米)。与此同时,公路隧道灾害事故发生的频率也在逐年增加。与开放路段相比,隧道路段因其内部半封闭、缺少自然光及行车环境单调的特性,导致隧道区域的行车驾驶难度大,容易给驾驶人带来心理上的焦虑和恐慌。另外,隧道内外限速差别和光线明暗对比大,易诱发驾驶人员视觉障碍。最为关键一点,隧道为半封闭构造,空间受限,事故发生时,灾害扩大速度快、逃生困难、救援可达性差、发生二次事故几率高。综上所述,相较于开放路段,隧道事故更容易对生命和财产安全造成重大损失。
因此,针对公路隧道事故具有不确定性、连锁反应性、破坏性、人员伤亡重、灭火救援难度大等特点,亟须一种隧道交通事故严重程度预测方法。该方法通过深度学习算法,预测事故严重程度,并在可能发生前采取相关措施,以降低事故严重程度,减少经济损失。
发明内容
针对现有技术中存在的上述问题,本发明提供一种基于神经网络的隧道交通事故严重程度预测方法,可有效对隧道交通事故严重程度进行预测,提高公路隧道运行的安全性。
本发明采用以下技术方案:
一种基于神经网络的隧道交通事故严重程度预测方法,包括步骤:
S1、分别对影响隧道交通事故严重程度的各事故因素中的多种子因素进行赋值量化,以得到各事故因素对应的量化指标表;
S2、基于各事故因素对应的量化指标表,获取各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据;
S3、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据,并通过主成分分析法对各事故因素中的多种子因素进行降维,以确定各事故因素的主成分个数以及主成分荷载;
S4、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定各隧道交通事故训练样本中各事故因素的主成分;
S5、基于各隧道交通事故训练样本中各事故因素的主成分以及交通事故严重程度数据,并采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型;
S6、基于真实隧道交通场景中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定真实隧道交通场景中各事故因素的主成分,并将真实隧道交通场景中各事故因素的主成分输入优化后的BP神经网络模型,以输出交通事故严重程度的预测结果。
作为优选方案,步骤S2中,所述各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据,其矩阵形式表示为:
其中,u表示事故因素,p表示事故因素u中的子因素数量,n表示隧道交通事故训练样本数量,Xu表示各隧道交通事故训练样本中事故因素u中的多种子因素对应的量化数据的矩阵形式,表示第一个隧道交通事故训练样本中事故因素u中的第p个子因素对应的量化数据,表示第n个隧道交通事故训练样本中事故因素u中的第p个子因素对应的量化数据。
作为优选方案,步骤S3中,包括步骤:
S3.1、选取某一事故因素;
S3.2、基于所有隧道交通训练样本中所选事故因素中的多种子因素对应的量化数据,求解所选事故因素中多种子因素之间的相关系数矩阵;
S3.3、基于相关系数矩阵,求解相关系数矩阵的特征值以及与特征值相应的特征向量;
S3.4、基于相关系数矩阵的特征值计算主成分积累贡献率,并基于主成分积累贡献率确定所选事故因素的主成分个数;
S3.5、基于相关系数矩阵的特征值、特征向量,计算所选事故因素的主成分荷载。
作为优选方案,步骤S3.5之后,还包括步骤:
S3.6、重复步骤S3.1~S3.5,以确定所有事故因素对应的主成分个数、主成分荷载。
作为优选方案,步骤S3.2中,所述相关系数矩阵表示为:
作为优选方案,步骤S3.3中:
所述相关系数矩阵的特征值计算采用雅可比法,计算公式为:
|λI-Ru|=0
作为优选方案,步骤S3.4中所述主成分积累贡献率计算公式为:
当主成分积累贡献率达到预设值时,确定所选事故因素的主成分个数m。
作为优选方案,步骤S3.5中,所述主成分荷载的计算公式为:
作为优选方案,步骤S4中,所述各隧道交通事故训练样本中各事故因素的主成分计算公式为:
作为优选方案,步骤S5中所述采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型时,萤火虫的个数为各事故因素中的主成分个数之和,BP神经网络模型的输入节点数为各事故因素中的主成分个数之和。
本发明的有益效果是:
采用主成分分析法对输入用于预测隧道交通事故严重程度的BP神经网络模型数据进行了降维,在保证输入BP神经网络模型的数据的全面性与代表性的基础上,还保证了数据的独立性,即数据之间不会产生相互干扰,进而为隧道交通事故预测模型的准确和高效预测奠定了基础。
采用萤火虫算法优化BP神经网络的权重和阈值,使算法的参数达到全局最优目的,从而提高算法速度和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所述一种基于神经网络的隧道交通事故严重程度预测方法的流程图;
图2是各事故因素之间的关系图;
图3是事故因素中的驾驶员因素中的各子因素示意图;
图4是事故因素中的隧道因素中的各子因素示意图;
图5是事故因素中的交通因素中的各子因素示意图;
图6是事故因素中的环境因素中的各子因素示意图;
图7是BP神经网络模型的结构示意图;
图8是采用萤火虫算法优化BP神经网络的流程图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例一:
参照图1,本实施例提供一种基于神经网络的隧道交通事故严重程度预测方法,包括步骤:
S1、分别对影响隧道交通事故严重程度的各事故因素中的多种子因素进行赋值量化,以得到各事故因素对应的量化指标表;
S2、基于各事故因素对应的量化指标表,获取各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据;
S3、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据,并通过主成分分析法对各事故因素中的多种子因素进行降维,以确定各事故因素的主成分个数以及主成分荷载;
S4、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定各隧道交通事故训练样本中各事故因素的主成分;
S5、基于各隧道交通事故训练样本中各事故因素的主成分以及交通事故严重程度数据,并采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型;
S6、基于真实隧道交通场景中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定真实隧道交通场景中各事故因素的主成分,并将真实隧道交通场景中各事故因素的主成分输入优化后的BP神经网络模型,以输出交通事故严重程度的预测结果。
隧道交通系统是由驾驶员、交通、隧道及环境等因素组成的运转有序、相对平衡的系统。参照图2所示是四者之间的关系图,从图中可知四个因素之间是相互作用相互影响的关系,所以需要综合分析隧道交通事故的影响因素,那么根据隧道交通系统各要素关系图与所搜集的交通事故数据相结合,就可以得到隧道交通事故特点。
并且四个事故因素中又包含了数量不等的子因素。其中驾驶员因素中的各子因素可参照图3所示,其包括长期因素和短期因素,长期因素包括年龄、驾龄、性别、身体素质、反应时间等等,短期因素包括超速行驶、酒后驾车、疲劳驾车、移动电话等等。其中隧道因素中的各子因素可参照图4所示,其包括隧道长度、隧道曲线半径、隧道坡度、隧道车道数量、隧道光照等等。其中交通因素中的各子因素可参照图5所示,其包括交通量、车速变化、车型比例等等。其中环境因素中的各子因素可参照图6所示,其包括地理位置、地理条件、气候条件、能见度条件、照明条件、交通信号方式等等。
步骤S2中,所述各事故因素对应的量化指标表如下所示,其中表1为驾驶员因素的量化指标表,表2为隧道因素的量化指标表,表3为交通因素的量化指标表,表4为环境因素的量化指标表。
表1驾驶员因素的量化指标表
表2隧道因素的量化指标表
表3交通因素的量化指标表
因素 | 值域 | 量化指标 |
季节E14 | - | 0=春,1=夏,2=秋,4=冬 |
天气E15 | - | 0=晴,1=阴,2=雨,4=雾 |
时间E16 | - | 0=工作日,1=周末,2=节假日 |
表4环境因素的量化指标表
由于在隧道交通事故严重程度预测模型中,影响事故严重程度指标选取是否合适,对模型构建具有至关重要影响,指标在选取中应保证其全面性与代表性,如果指标选取不够全面,则模型在预测时可能出现较大偏差,如果指标选取很多而不考虑指标的重复性,则无法保证预测模型自变量的独立性,指标之间会产生相互干扰,会对最终预测结果造成不利。为此,本发明采用主成分分析法提取隧道交通事故特征指标,保证事故数据损失最小基础上对其进行降维。主成分分析法简化了数据结构的同时,也保证了指标间的相互独立性,为隧道交通事故预测模型的准确和高效预测奠定了基础。
具体地:
步骤S2中,所述各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据,其矩阵形式表示为:
其中,u表示事故因素,p表示事故因素u中的子因素数量,n表示隧道交通事故训练样本数量,Xu表示各隧道交通事故训练样本中事故因素u中的多种子因素对应的量化数据的矩阵形式,表示第一个隧道交通事故训练样本中事故因素u中的第p个子因素对应的量化数据,表示第n个隧道交通事故训练样本中事故因素u中的第p个子因素对应的量化数据。
步骤S3中,包括步骤:
S3.1、选取某一事故因素;
S3.2、基于所有隧道交通训练样本中所选事故因素中的多种子因素对应的量化数据,求解所选事故因素中多种子因素之间的相关系数矩阵;
S3.3、基于相关系数矩阵,求解相关系数矩阵的特征值以及与特征值相应的特征向量;
S3.4、基于相关系数矩阵的特征值计算主成分积累贡献率,并基于主成分积累贡献率确定所选事故因素的主成分个数;
S3.5、基于相关系数矩阵的特征值、特征向量,计算所选事故因素的主成分荷载。
步骤S3.5之后,还包括步骤:
S3.6、重复步骤S3.1~S3.5,以确定所有事故因素对应的主成分个数、主成分荷载。
更具体地:
步骤S3.2中,所述相关系数矩阵表示为:
步骤S3.3中:
所述相关系数矩阵的特征值计算采用雅可比法,计算公式为:
|λI-Ru|=0
步骤S3.4中所述主成分积累贡献率计算公式为:
当主成分积累贡献率达到预设值时,确定所选事故因素的主成分个数m,本实施例中所述预设值设定为百分之80。
步骤S3.5中,所述主成分荷载的计算公式为:
步骤S4中,所述各隧道交通事故训练样本中各事故因素的主成分计算公式为:
进一步,可基于上述确定的各隧道交通事故训练样本中各事故因素的主成分以及各隧道交通事故训练样本最终的交通事故严重程度数据,作为BP神经网络模型的训练数据,并采用萤火虫算法优化该BP神经网络模型。
其中,本实施例中按事故的死亡人数和受伤人数计算事故当量为划分隧道交通事故严重程度等级的基础指标。事故当量是衡量事故造成各种后果的严重程度指标。当量死亡人数Dd的计算公式如下所示。
Dd=D1+a1D2+a2D3+a3D4,
其中,D1、D2、D3、D4分别表示死亡人数、重伤人数、轻伤人数、轻微伤人数,a1、a2、a3分别表示重伤人数、轻伤人数、轻微伤人数的当量系数。按照当量死亡人数Dd对事故等级进行划分,划分标准如下表5所示:
当量死亡人数D<sub>d</sub> | 事故等级 |
≤0.2 | 轻微事故 |
0.2-0.67 | 一般事故 |
0.67-3 | 重大事故 |
≥3 | 特大事故 |
表5隧道交通事故严重等级划分表
以下对萤火虫算法进行详细解释:
萤火虫通过控制给自身发光细胞的氧气量改变发出的荧光来进行信息的交互,从而进行种群的沟通警示等作用。萤火虫算法来源于自然界中尾部发出荧光的萤火虫群体。但是因为萤火虫的自然行为较复杂,在算法中的完全适应性较差,因此开发算法的时候只考虑理想模型,即:
(1)所有萤火虫不分雌雄的差异,任何萤火虫都可以被其他萤火虫所吸引;
(2)个体的吸引力和它们的发光亮度成正向相关,即亮度低的萤火虫会感应到亮度较高的萤火虫并朝其移动,并且随着萤火虫之间的间隔增加,环境也会吸收一部分发射出的荧光导致能感应的亮度变低;
(3)如果萤火虫自身亮度最大且周围没有明亮的萤火虫,它将会随机飞行,萤火虫的亮度受目标函数的影响且萤火虫的位置都被对应目标函数的值所表示。萤火虫群体通过自身发出的荧光来交换信息,当距离光源的距离r以I∝r2增大时,光强度I会减小。并且随着个体离光源的距离变大,传播媒介(如空气)还会吸收光从而导致感应的光强度变小。最亮的萤火虫围绕问题空间的最佳解决方案移动。经过萤火虫在空间中的移动过程之后,每个萤火虫个体的目的全部是到达问题空间中最亮的萤火虫。最终群体会集中在最亮的萤火虫所处的位置,进而达到目标函数的最优化,得到全局最优的解决方案。
FA是基于种群的算法,其中每个萤火虫表示为搜索空间中的一个矢量点,代表一个解决问题的方案。候选解xi表示为萤火虫i的位置:X=(xi1,…,xiM),其中i=1,2,...,N,N表示萤火虫的种群个体总数,M表示问题的维度,需要说明的是此处的M为上述各事故因素中的主成分个数之和。算法的步骤如下:
Step 1:初始化候选解
其中,U(0,1)表示从区间[0,1]中的均匀分布得出的随机数,ubj和lbj分别表示相应问题的第j个问题变量的上限和下限。
Step 2:萤火虫的相对荧光亮度也是相互吸引度:
其中,I0表示萤火虫的原始吸引度,即该萤火虫在r=0处的亮度,原始亮度与目标函数值成正相关的关系;γ表示光吸收参数,设置该系数以体现荧光受距离及传播媒介影响而减弱的特性,一般设为常数;rij表示位置i与位置j之间的距离。
两个萤火虫之间的距离为笛卡尔或欧氏距离:
3)萤火虫从位置i移动到另一个更具吸引力的萤火虫位置j的最优位置迭代公式如下:
最明亮的萤火虫的位置更新方程式如下:
以下对BP神经网络结构设计进行详细说明:
假设隧道交通事故FA-BP预测模型中BP神经网络结构为M-lh-1,M为输入节点数,即影响事故指标总个数,1为输出节点数,即交通事故严重程度;l为隐含层,h为隐含层的层数,h=4,其中第r层隐含层lr含有Lr个节点,r=1,2,3,...,h。
1、神经网络结构
隐含层层数h使隧道交通事故严重程度FA-BP神经网络更丰富的同时,也具有了更高阶的信息挖掘能力。依据Kolmogorov定理,对于任一个有理连续函数都可以用一个三层向前的神经网络(即h=1)以任意平方误差精度逼近。国内外研究与实践也都表明:增加h提高精度的同时使得网络更加繁琐,实时性差,影响模型的学习效率。
确定隐含层数h有以下两个方式:一是可以优先赋予h较大的值,再逐层进行贡献度的测试,当删除某隐含层lr,网络结构误差没有明显变坏,综合考虑后可以剔除隐含层lrj;二是逐层增加隐含层进行测试,当增加隐含层数lh-1精度没有明显提升时,将上一次测试层数h作为隐含层数。
本专利的FA-BP神经网络结构可参照图7所示。
以下对采用萤火虫算法优化BP神经网络进行详细说明:
BP神经网络对输入信息的配适性主要依靠与预先给定的输出结果的误差来反向传播,完成对网络的权重和阈值的调整,前向传播与反向传播不断反复以完成对输入信息的学习训练,不断逼近预先设定的输出。BP神经网络的计算能力远优于常规回归算法,其非线性映射能力、自学习能力、泛化能力和容错能力使其具有广阔的应用范围,但在应用过程中,神经网络无法准确确定权值和阈值的缺陷对神经网络训练的影响很大,且其结构的难以设计和梯度下降中收敛速度慢的问题也制约了其发展应用。
BP神经网络模型的配适性很大程度上取决于算法的选择。因而如何选择和构造最适用于隧道交通事故严重程度预测模型的算法是这一方法的关键所在。受人工神经网络启发,本发明选用萤火虫算法优化BP神经网络,以适应度函数为衡量标准对随机初始权值、阈值进行优化,直至满足条件停止循环操作,最终确定最优的权值、阈值作为BP神经网络的初始值。
萤火虫算法优化BP神经网络(FA-BP)主要有以下三部分内容:BP神经网络结构确定、萤火虫算法优化权值阈值和网络模型预测。主要流程可参照图8所示。首先BP神经网络结构根据拟合函数确定相关参数;其次,萤火虫算法对初步确定的BP神经网络的权值阈值进行编码,编码个体以适应度函数计算的适应值,以荧光素更新、位置更新、计算适应度、决策阈更新,直到萤火虫发光为最亮;最后,最亮萤火虫作为神经网络的初始值,学习训练事故数据信息输出特征值。
最后还需要说明的是,在将隧道事故发生因素数值输入模型时,由于隧道事故发生因素具有不同的物理意义和量纲,若将各因素数值直接输入模型,则会对模型的运行产生不利影响,因此需对输入因素数值进行归一化处理,归一化处理公式如下:
其中,xi表示输入因素数值,xmin表示输入的因素数据最小值,xmax表示输入的因素数据最大值,y表示归一化后的数值。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的保护范围内。
Claims (10)
1.一种基于神经网络的隧道交通事故严重程度预测方法,其特征在于,包括步骤:
S1、分别对影响隧道交通事故严重程度的各事故因素中的多种子因素进行赋值量化,以得到各事故因素对应的量化指标表;
S2、基于各事故因素对应的量化指标表,获取各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据;
S3、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据,并通过主成分分析法对各事故因素中的多种子因素进行降维,以确定各事故因素的主成分个数以及主成分荷载;
S4、基于各隧道交通事故训练样本中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定各隧道交通事故训练样本中各事故因素的主成分;
S5、基于各隧道交通事故训练样本中各事故因素的主成分以及交通事故严重程度数据,并采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型;
S6、基于真实隧道交通场景中各事故因素中的多种子因素对应的量化数据、各事故因素的主成分个数以及主成分荷载,以确定真实隧道交通场景中各事故因素的主成分,并将真实隧道交通场景中各事故因素的主成分输入优化后的BP神经网络模型,以输出交通事故严重程度的预测结果。
3.根据权利要求2所述的一种基于神经网络的隧道交通事故严重程度预测方法,其特征在于,步骤S3中,包括步骤:
S3.1、选取某一事故因素;
S3.2、基于所有隧道交通训练样本中所选事故因素中的多种子因素对应的量化数据,求解所选事故因素中多种子因素之间的相关系数矩阵;
S3.3、基于相关系数矩阵,求解相关系数矩阵的特征值以及与特征值相应的特征向量;
S3.4、基于相关系数矩阵的特征值计算主成分积累贡献率,并基于主成分积累贡献率确定所选事故因素的主成分个数;
S3.5、基于相关系数矩阵的特征值、特征向量,计算所选事故因素的主成分荷载。
4.根据权利要求3所述的一种基于神经网络的隧道交通事故严重程度预测方法,其特征在于,步骤S3.5之后,还包括步骤:
S3.6、重复步骤S3.1~S3.5,以确定所有事故因素对应的主成分个数、主成分荷载。
10.根据权利要求8所述的一种基于神经网络的隧道交通事故严重程度预测方法,其特征在于,步骤S5中所述采用萤火虫算法优化用于预测隧道交通事故严重程度的BP神经网络模型时,萤火虫的个数为各事故因素中的主成分个数之和,BP神经网络模型的输入节点数为各事故因素中的主成分个数之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137085.9A CN115600726B (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的隧道交通事故严重程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137085.9A CN115600726B (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的隧道交通事故严重程度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600726A true CN115600726A (zh) | 2023-01-13 |
CN115600726B CN115600726B (zh) | 2023-04-21 |
Family
ID=84842419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137085.9A Active CN115600726B (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的隧道交通事故严重程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600726B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665093A (zh) * | 2018-04-19 | 2018-10-16 | 东南大学 | 基于深度学习的高速公路交通事故严重度预测方法 |
CN115587536A (zh) * | 2022-10-09 | 2023-01-10 | 安徽理工大学 | 一种交通事故严重程度预测方法、设备及存储介质 |
-
2022
- 2022-09-19 CN CN202211137085.9A patent/CN115600726B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665093A (zh) * | 2018-04-19 | 2018-10-16 | 东南大学 | 基于深度学习的高速公路交通事故严重度预测方法 |
CN115587536A (zh) * | 2022-10-09 | 2023-01-10 | 安徽理工大学 | 一种交通事故严重程度预测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115600726B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700045B (zh) | 一种基于土地储备实施监测模型的智能选址系统 | |
CN109947963A (zh) | 一种基于深度学习的多尺度哈希检索方法 | |
CN103927394A (zh) | 一种基于svm的多标签主动学习分类方法及系统 | |
CN112966871B (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
CN106776884A (zh) | 一种基于多标签组合多分类器的恐怖行为预测方法 | |
CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN108416478A (zh) | 一种综合管廊内部燃气浓度lstm预测方法及系统 | |
CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
CN116110234B (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN110287269A (zh) | 一种基于复合层次分析的数据处理分类方法和装置 | |
CN115272894A (zh) | 面向无人机图像目标检测方法、装置、电子设备及存储介质 | |
Zhao et al. | A driving risk prediction algorithm based on PCA-BP neural network in vehicular communication | |
CN115051925A (zh) | 一种基于迁移学习的时空序列预测方法 | |
CN110097236A (zh) | 一种基于FA优化Elman神经网络的短期负荷预测方法 | |
CN115600726B (zh) | 一种基于神经网络的隧道交通事故严重程度预测方法 | |
CN109165800A (zh) | 一种实现报废汽车回收量准确预测的方法 | |
CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
CN113052217A (zh) | 预测结果标识及其模型训练方法、装置及计算机存储介质 | |
CN108668254B (zh) | 基于改进BP神经网络的WiFi信号特征的区域定位方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |