基于灰色BP神經網絡的道路交通事故車型分擔率預測及其預防策略研究*

胡立偉 張 婷 郭鳳香 陳 政

(昆明理工大學交通工程學院 昆明 650500)

0 引 言

我國國家統計局提供的數據顯示，自2006—2015年，我國民用汽車保有量已從3 697.35萬輛增長到了16 284.50萬輛，隨之而來的是交通擁堵現象加劇，交通事故增多，研究道路交通事故中不同車型的事故分擔率可以探討交通事故發生于車輛類型間的關系，進而得出相應的治理策略.

目前，在道路交通事故預測方面國內外都已提出了許多研究方法，主要有回歸模型法、時間序列法、灰色模型預測法以及神經網絡預測法等.Hosse等[1]采用灰色系統理論，預測了德國直到2025年道路交通事故的發展情況；Bezuglov等[2]研究了三種灰色系統理論模型對短期交通速度和行程時間預測，得到了較為理想的預測結果.李娟等[3]通過對現有交通事故數據統計分析，建立了基于BP神經網絡的交通事故預測模型，并達到了較理想的預測精度；詹偉等[4]建立了高速公路隧道群的交通事故灰色預測模型，并進行了改進優化，提高了預測精度；葛麗娜[5]通過研究對比三種不同的灰色神經網絡組合模型與單一模型預測精度及其穩定性，發現組合模型的預測結果優于單一模型.

當前國內外研究主要針對道路交通事故預測進行研究，較少涉及交通事故車型分擔預測，而事故車型分擔率預測對有效控制、減少交通事故的發生是必要的，本文在分析云南省2010—2015年7 954條道路交通事故數據的基礎上，分析云南省涉事車型特點及其事故車型分擔率影響因素，運用灰色BP神經網絡組合預測模型，對公路交通事故車型分擔率預測，并提出相應的預防策略.

1 公路交通事故車型分擔率分析

公路交通事故車型分擔率是指在一段時期內所有交通事故中不同車型的事故率，將車輛分為機動車和非機動車，其中，機動車主要包括小汽車、客車、貨車、有軌電車、電瓶車、掛車、專用機械車、拖拉機、農用運輸車等.本文根據云南省2010—2015年道路交通事故數據中交通事故常見車型從小轎車、客車、貨車、摩托車和其他車型進行其事故分擔率分析.

根據交通根據云南省2010—2015年間道路交通事故數據，得到不同涉事車型的分布情況，見圖1，各車型事故分擔率多項式曲線擬合模型見表1.由圖1可知，摩托車、貨車、客車及小汽車是云南省交通事故主要的涉事車型，事故分擔率高達90%.其中，事故分擔率最高的是摩托車，平均事故分擔率為37.6%左右，其次是貨車，平均事故分擔率為25.6%；小轎車和客車的事故分擔率分別為15%左右.

圖1 云南省2010-2015年常見涉事車型事故分擔率

涉事車型擬合公式R2小汽車y=0.073 5x3-0.913 7x2+4.325 6x+6.743 30.660 2客車 y=0.2687x3-3.488 2x2+14.6x-4.383 30.936 2貨車 y=-0.461 9x3+5.1684x2-18.198x+44.8170.633 7摩托車y=0.203 4x3-1.502 2x2-0.144 2x+45.8970.448 7其他 y=-0.083 8x3+0.735 8x2-0.583 3x+6.926 70.958 9

在云南省，摩托車的經濟性使其成為大多數人的出行代步工具，摩托車保有量一直遠高于其他車型，而對于摩托車的管理力度不足，駕駛人安全意識薄弱等原因導致近年來摩托車一直是云南省事故分擔率最高的車型.

由于云南省地形特殊，南北高差大，道路設計時存在許多連續縱坡的線形設計，在經過此類路段時，相比其他車型，貨車的爬坡性能明顯下降，因此,易出現頻繁超車現象；而連續下坡路段，貨車需長時間制動，嚴重影響其制動效能，產生“熱衰退”現象[6]，更易發生交通事故.對于貨車的管理不足，超載超速問題嚴重也是貨車交通事故分擔率較高的原因.

2 道路交通事故車型分擔影響因素分析

目前，國內外在交通事故方面的研究更多傾向于微觀因素的研究，較少從宏觀層面入手.本文通過分析經濟發展水平、人口、車輛保有量、道路條件等宏觀因素，找出其與道路交通事故車型分擔率之間的內在聯系.

1) 人均生產總值與涉事車型保有量 人均生產總值與涉事車型保有量有著密切的聯系，而不同車型隨人均生產總值的增長呈現不同的增長狀態，見圖2.由圖2可知，以云南省為例，摩托車保有量一直處于隨人均生產總值快速增長的階段；在人均生產總值達到25 000元以上時，小汽車和客車保有量增長速度明顯提升；而貨車及其他車型保有量處于一種相對穩定的微增長狀態.

2) 人均生產總值與交通事故車型分擔率 云南省交通事故車型分擔率呈現一個波動的狀態，隨人均生產總值的增加，千人汽車保有量越多，國家更加注重交通安全問題的管理和改善，摩托車和貨車的交通事故車型分擔率呈波動下降，小汽車、客車及其他車型交通事故分擔率緩慢增加見圖3.

圖3 事故車型分擔率與人均生產總值關系圖

3) 每公里車輛數與交通事故車型分擔率 千人汽車保有量側重于反映車輛需求對交通安全的影響，而每公里車輛數則側重于表明車輛在道路上的密集程度.小汽車的交通事故分擔率在每公里小汽車車輛數增加到6輛時達到最高，隨后小幅下降后呈現一個相對穩定的微增長趨勢；客車的交通事故分擔率在每公里客車車輛數增加到5輛時達到最高，之后呈現一個平穩的狀態；摩托車在更嚴格的政策管理下交通事故車型分擔率呈波動下降；在2010—2015年間，貨車和其他車型每公里車輛數增長不明顯，貨車的交通事故分擔率明顯大幅下降，而其他車型交通事故分擔率緩慢增加.

3 道路交通事故車型分擔率預測模型與驗證

BP神經網絡具有很強的自學習、自適應能力，能多輸入多輸出實現數據的并行處理，灰色模型預測的結果比較穩定，在數據量較少時也能得到較為準確的預測結果，其中常用的GM(1,1)模型是單序列一階線性微分方程，不具備BP神經網絡的自學習、自適應的優點，對非線性信息也沒有較好的處理能力.由此可見，灰色預測模型和BP神經網絡預測模型可進行優勢互補，克服兩種預測方法的局限性，從而提高預測精度.本文主要對灰色預測模型和BP神經網絡的組合模型進行探討，提高對交通事故車型分擔率預測的精度.

通常，根據灰色預測模型和BP神經網絡預測模型結合的不同方式及數據處理的不同方法，將灰色BP神經網絡分為3種：并聯型、串聯型、嵌入型[7].本文結合云南省2010—2015年道路交通事故數據分別采用灰色預測、神經網絡預測及三種灰色BP神經網絡結合方法預測道路交通事故車型分擔率，并對比選出最優模型.

3.1 單純GM(1,1)預測模型

本文中道路交通事故車型分擔率數據波動性較大，缺乏規律，使用傳統的灰色預測模型預測結果精度不高，因此，通過引入緩沖算子消除外界對原始數據的隨機干擾，對灰色預測模型進行改進，使數據規律性得到應有的呈現[8].模型基本結構見圖4.

圖4 GM(1,1)模型基本結構圖

當原始數據為非負的數據序列時，選擇平均弱化緩沖算子處理原始數據序列，能提高其光滑性，亦有利于提高預測模型的精度.具體構造如下：

設原始數據序列為

X(0)=(x(0)(1),x(0)(2),…,x(0)(n))

(1)

對應緩沖算子D1，X經過D1作用后有

X(0)D1=(x(0)(1)d1,x(0)(2)d1,…,x(0)(n)d1)

(2)

3.2 單純BP神經網絡預測模型

Hecht-Nielson提出了在任意閉區間內，都可以用一個隱含層的BP網絡來逼近一個連續函數[9]，即任意的n維到m維的映射可以通過一個三層的BP網絡來完成.本文采用誤差反向傳播學習法訓練BP神經網絡，BP神經網絡訓練流程見圖5.本文選用含有一個隱層的BP網絡，輸入層神經元個數為三個，指標分別為云南省人均生產總值、各涉事車型保有量、每公里車輛數；輸出神經元個數為一個，即道路交通事故車型分擔率；經MATLAB試驗得出，隱層神經元個數為七個，隱層的轉換函數采用tansig函數，選擇traingdx函數作為訓練函數，輸出層神經元轉換函數采用logsig函數，設置神經網絡的最大學習次數為50 000次，學習速率為0.05，學習目標取誤差平方和為0.1，設置網絡連接權的初始值為[-1,1]的隨機數.

圖5 BP神經網絡訓練流程圖

3.3 并聯型灰色BP神經網絡預測模型

并聯型灰色BP神經網絡的基本流程是：分別采用GM(1,1)模型、BP神經網絡對目標進行預測，經一定的方法(如算術平均法、調和平均法等)將兩種預測結果組合，從而得出組合模型的預測結果，結構圖見圖6.

圖6 并聯型灰色BP神經網絡結構圖

算術平均法、調和平均法計算公式為

(3)

(4)

引用有效度的計算方法確定兩種預測模型的加權系數[10].具體如下：

(5)

At為組合預測的精度序列，該序列的均值E與均方差σ分別為

(6)

有效度為

m=E(1-σ)

(7)

將有效度m歸一化后即可得到加權系數

(8)

根據GM(1,1)模型和BP神經網絡模型的預測值和實際值計算得出有效度分別為m1=0.973 9，m2=0.951 7，兩種模型的加權系數分別為q1=0.505 8，q2=0.494 2.

3.4 串聯型灰色BP神經網絡預測模型

串聯型灰色BP神經網絡是將使用GM(1,1)預測模型的預測結果，作為BP神經網絡的輸入值進行組合.本文中采用基于平均弱化緩沖算子改進的GM(1,1)模型對BP神經網絡中各輸入值進行預測，采用BP神經網絡輸出道路交通事故車型分擔率的預測值，見圖7.

圖7 串聯型灰色BP神經網絡結構圖

調用MATLAB中BP神經網絡工具箱函數，設計編程訓練網絡，預測結果見表2.

3.5 嵌入型灰色BP神經網絡預測模型

嵌入型灰色BP神經網絡是以BP神經網絡為基礎，在神經網絡模型前添加一個“灰化層”，即使用灰色模型累加的方法對原始數據序列進行處理，還原數據的規律性，加快BP神經網絡模型的學習效率，經神經網絡模型預測后，通過“白化層”恢復預測數據序列，其原理見圖8.

圖8 嵌入型灰色BP神經網絡結構圖

3.6 模型對比及驗證

本文通過對云南省2010—2014年的交通事故相關數據統計處理，分別用單一的GM(1,1)模型、BP神經網絡模型及三種組合模型預測2015年云南省道路交通事故車型分擔率，預測結果見表2，各模型預測結果的相對誤差見表3.

表2 云南省2015年事故車型分擔率預測結果

表3 各模型預測結果的相對誤差

由表2～3可知，經過改進的GM(1,1)模型和及灰色BP神經網絡組合模型相比單純的BP神經網絡模型具有更優的預測精度及誤差穩定性，其中串聯型灰色BP神經網絡模型預測值與實際值的相對誤差基本控制在2%以內，預測結果最優，滿足精度要求.因此，選用串聯型灰色BP網絡模型對云南省2017—2020年公路交通事故車型分擔率進行預測，結果見圖9.

圖9 云南省2017-2020年公路交通事故車型分擔率預測結果

由圖9可知，摩托車的事故分擔率將大幅下降，貨車的事故分擔率趨于平穩，小汽車和客車逐年增長.隨著經濟的發展，生活水平提升，居民出行增加，小汽車逐漸代替摩托車出行，盡管相關政策在一定程度上減緩了小汽車增長的趨勢，但小汽車的事故分擔率依然不斷增長，客、貨車輛等大中型車輛在長途運輸過程中，由于云南省道路地形復雜，道路坡度大、隧道多等因素更易造成交通事故.

4 預防策略

1) 加強小汽車管理.小汽車事故分擔率將不斷增長，因此對小汽車加強管理，控制其事故發生率是非常必要的.可借鑒其他城市的管理辦法，對小汽車實行限號、限購管理；倡導市民使用公交出行；規范管理新出現的共享汽車，嚴禁交通違法行為.

2) 規范非機動車、摩托車管理.盡管摩托車事故分擔率呈現大幅下降的趨勢，但若疏于管理，摩托車造成交通事故的損失仍不容小覷.加強摩托車管理規范，嚴禁摩托車超載、超速行為，在市區禁限摩托車出行等；同時規范電動車出行，出臺共享單車具體管理辦法，改變非機動車無序的交通狀態.

3) 加強大型客、貨車輛的管理.客車的事故分擔率呈現增長趨勢，且客車發生事故造成的人員傷亡、財產損失都大于其他車型，貨車的事故分擔率趨于平穩，因此對客、貨車輛都需要進一步管控，對客車、貨車等營運車輛強制安裝GPS系統、行車記錄儀、限速報警裝置等，實行實時監控管理，嚴禁超載、超速違法行為，管控駕駛人行車過程中打電話、疲勞駕駛等不良駕駛行為.

5 結 論

1) 構建基于緩沖算子的GM(1,1)模型，利用平均弱化緩沖算子消除原始數據序列的隨機干擾，還原數據序列的規律性，能有效提高模型的預測精度.

2) 灰色BP神經網絡組合模型相比單純的BP神經網絡模型具有更優的預測精度及穩定性，其中串聯型灰色BP神經網絡模型最優，可運用到道路交通事故車型分擔率預測中.

3) 根據交通事故車型分擔率預測結果，查找交通事故隱患，對不同車輛實行不同的管理策略，改善交通安全問題，降低交通事故率.

參考文獻

[1] HOSSE R S, BECKER U, MANZ H. Grey Systems theory time series prediction applied to road traffic safety in Germany[J]. IFAC-PapersOnLine, 2016,49(3):231-236.

[2] BEZUGLOV A, COMERT G. Short-term freeway traffic parameter prediction: application of grey system theory models[J]. Expert Systems with Applications, 2016,62:284-292.

[3] 李娟,邵春福.基于BP神經網絡的交通事故預測模型[J].交通信息與安全,2006,24(2):34-37.

[4] 詹偉,呂慶,尚岳全.高速公路隧道群交通事故灰色馬爾可夫預測[J].吉林大學學報(工學版),2014,44(1):62-67.

[5] 葛麗娜.基于灰色神經網絡的交通事故預測方法研究[D].錦州:遼寧工業大學,2015.

[6] 胡立偉,李耀平.典型交通設施對道路交通事故致因影響分析[J].武漢理工大學學報(交通科學與工程版),2014,38(1):98-102.

[7] 陳淑燕,王煒.交通量的灰色神經網絡預測方法[J].東南大學學報(自然科學版),2004,34(4):541-544.

[8] 葉璟,李炳軍,劉芳.弱化緩沖算子對GM(1,1)模型的預測效應及適用性[J].系統工程理論與實踐,2014,34(9):2364-2371.

[9] HECHT N R. Theory of the backpropagation neural network[J]. Neural Networks for Perception, 1992,1(1):65-93.

[10] 張令剛,牛德寧,孟兆民.基于預測有效度的組合模型在交通量預測中的應用[J].道路交通與安全,2010(1):24-27.