基于BP神经网络的交通事故预测研究外文翻译资料

英语原文共 3 页，剩余内容已隐藏，支付完成后下载完整资料

基于BP神经网络的交通事故预测研究

Aixia Zhang Xianghong Li Huiying Song Wen Ding

School of Energy Science amp; Engineering Henan Polytechnic University

Jiaozuo China

zhangaixia@hpu.edu.cn

摘要：本文从人，车，路，环境等因素入手，根据交通事故影响因素建立三层BP神经网络模型，对1998 - 2009年我国交通事故进行训练和预测。 结果表明，用于预测交通事故的BP神经网络模型是精确可行的。

关键词：BP神经网络；交通事故；事故预测

1. 简介

交通事故预测是交通安全研究的重要组成部分，预测的目的是掌握交通事故的未来趋势，合理评价交通安全措施的可行性和实施效果，有效控制影响因素，实现减少交通事故的目标。现在经常使用的交通事故预测方法主要有回归预测分析、时间序列预测、灰色马尔可夫预测、基于速度的贝叶斯预测等，这些方法的研究是将事故的发展视为线性或者变为线性通过数据生成。但交通安全是一个复杂的系统，它是随机的、不确定的，涉及人、车、道路和环境的相互作用的影响，因此使用非线性函数描述事故发展规律更为准确。

人工神经网络是一个具有多个神经元的大规模非线性动力系统，它具有很强的非线性动态处理能力。由于复杂的非线性关系，使用函数模型很难描述交通事故和其影响因素之间的关系。因此本文采用人工神经网络BP神经网络来研究交通事故预测。

1. BP神经网路的结构与算法

BP神经网络由一个输入层，一个或多个隐藏层，一个输出层组成，每层由多个并行简单神经元组成，层间神经元完全连接，同一层中的神经元没有互连。具有一个隐藏层的BP神经网络结构如图1所示：

图1 三层BP神经网络的体系结构

BP学习算法的基本思想是梯度下降算法，利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时按从输入到输出的方向进行，而调整权值和阀值则从输出到输入的方向进行。

1. 正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。
2. 误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。
3. BP神经网络模型的建立与预测

3.1 BP神经网络模型的建立

在编写BP神经网络程序设计之前，必须根据具体问题给出输入向量p和目标输出向量t，并确定要设计的神经网络结构，神经网络结构应包括： 网络层each每层中的神经元数量each每层的传输函数。

3.1.1确定网络层的数量

该理论已经证明：当节点使用S型函数时，隐藏层足以实现任意区分分类问题，两个隐藏层足以表达输入图形的任意输出函数，增加层数可进一步减少错误并提高准确性; 但它也使网络增加，增加了权重和阀值的训练时间。 在多层前馈网络的设计中，一般首先考虑设置隐藏层，当很多隐层节点无法提高网络性能时，考虑添加隐藏层。 根据围岩稳定性分类的特点，为简化网络，减少网络权重和阈值的训练时间，本文设置了一个隐藏的网络层。 因此建立的BP神经网络模型分为三层。

3.1.2 输入层的设置

在BP网络中，输入和输出层节点的数量通常由特定问题确定。 交通事故是人，车，道路和环境综合影响的结果。 BP神经网络选择GDP，总人口，公路里程，乘客，乘客周转，货物，货物周转，民用车辆所有权，余学天的数量作为输入向量，因此输入层节点的数量为9。

3.1.3 输出层的设置

交通事故评估指标包括事故数量，死亡人数，伤亡人数和直接经济损失。 该模型选择三个参数作为输出向量; 它们是事故数量，死亡人数和直接经济损失。

3.1.4 隐藏层的设置

隐层的数量设计为一层，在实践中，隐层节点数量的选择非常重要，它不仅对已建立的神经网络模型的性能有很大的影响，而且也是造成它的直接原因。在训练中“过度拟合”的现象，然而现在理论上还没有一种科学的，通用的确定方法。确定隐层节点数量的基本原则是：在满足精度要求的前提下尽可能采用紧凑结构，即尽可能少地采用隐层节点的数量。本文首先设置较少的隐层节点来训练网络，然后逐渐增加隐层节点的数量，使用相同的样本集进行训练，并在网络误差最小时确定相应的隐层节点数。这里使用经验公式来确定隐藏层节点数的初始值。可以使用以下公式（1）：

(1)

在公式（1）中，是隐藏层的节点数，m是输入层的节点数，n是输出层的结点数，c是从1到10的常数。

3.1.5 选择传递函数

BP神经网络的传递函数必须是可微的，因此它经常使用S型对数传递函数或切线传递函数和线性函数。 如果BP网络的输出层使用S型传递函数，则输出值将限制在0到1的小范围内，但如果输出层使用线性函数，则输出值可以取任何值。 根据模型特征和输出值范围，本文BP网络模型中隐层传递函数为S型对数传递函数，公式为下式（2），输出层的传递函数。 BP网络模型是线性函数。

（2）

3.2 模型的训练和预测

基于中国1998年至2009年的交通事故信息和相关数据建立预测模型，使用1998年至2006年的数据作为训练样本，使用2007年至年度的数据 2009年作为预测样本，预测结果是事故数量，死亡人数和直接经济损失。 为了加速网络训练的收敛，样本使用以下公式（3）来标准化数据。

（3）

在公式（3）中：

---学习样本中影响因子i的最大值；

---学习样本中影响因子i的最小值；

---归一化后的输入向量，范围为0~1.

该三层网络结构的预测模型具有九个输入向量和三个输出向量，隐层节点的数量为九，训练样本是1998年至2006年的交通事故数据，预测样本是从2007年到2009年的交通事故数据，数据在训练和预测之前被标准化。该程序基于BP神经网络的Visual C 6.0预测交通事故，利用程序对1998年至2006年的数据进行训练，通过不同预期误差的网络对比训练，选择预期误差为0.01在预测误差与预期误差一致后，预测2007年至2009年的交通事故，预测结果如表1所示，从表中可以看出事故数量的预测误差、死亡人数和直接经济损失较低，因此利用BP神经网络进行交通事故预测是可行的。

表1 网络预测和实际相对误差

1. 总结

在考虑交通事故中人，车，路，环境影响因素的基础上，选择了九个主要因素：GDP，总人口，公路里程，客运，客流量，货物，货物周转率，民用车辆所有权和使用BP神经网络对yu xuetian，train和forecast进行预测，用初始数据结束预测结果。 结果表明，预测误差较小，因此利用BP神经网络预测交通事故是可行的。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19956]，资料为PDF文档或Word文档，PDF文档可免费转换为Word