基于機器學習的道路風險檢測數據分析

楊 濤 李書卉

（1、河北水利電力學院，河北 滄州061001 2、大元建業集團股份有限公司，河北 滄州061001）

1 概述

隨著目前國內交通行業的發展，城市道路系統日益完善，為居民生活出行提供了很大的便利條件[1]。但隨著居民生活質量的提高，在一定程度上增加了交通事故的出現頻率，提高了道路風險[2]。掌握道路交通事故的發展變化趨勢，分析不同類型車輛事故發生率走勢，成為了道路交通管理部門面臨的重要課題。

雖然國內對道路交通風險預測已有了部分研究，但精度普遍較低。為解決這一問題，本文基于極限學習機（ELM）模型、廣義回歸神經網絡（GRNN）模型和小波神經網絡（WNN）模型3 種機器學習模型對道路交通風險數據進行分析，通過分析不同隱含層個數對機器學習模型模擬過程的影響，找出機器學習模型的最優輸入參數，并針對小汽車、客車和貨車等不同車型進行預測。

2 模型構建及評價指標確定

2.1 極限學習機模型

極限學習機模型（ELM）[3]可以很好地克服傳統神經網絡收斂速度慢的缺點，在回歸檢驗、模型預測領域已得到了極大的應用。

2.2 廣義回歸神經網絡模型

廣義回歸神經網絡模型（GRNN）[4]是以樣本數據為后驗條件，執行Parzen 非參數估計，依據概率最大原則計算網絡輸出的徑向基網絡。

2.3 小波神經網絡模型

小波神經網絡模型（WNN）[5]是一種以BP 神經網絡拓撲結構為基礎，將小波基函數作為隱含層節點傳遞函數，（轉下頁）信號向前傳播的神經網絡。

2.4 評價指標體系構建

利用均方根誤差（RMSE）、模型效率系數（Ens）和決定系數（R2）分析各模型模擬精度。

3 結果與分析

3.1 模型隱含層個數確定

圖1 ELM 模型隱含層個數確定（圖中字母分別代表：a 隱含層個數為3 個，b 隱含層個數為6 個，c 隱含層個數為10 個，d 隱含層個數為12 個）

3.2 不同模型模擬事故風險結果對比

下表為不同模型對道路2014～2018 年道路風險檢測數據的預測。ELM模型的精度最高，其RMSE 的值最高僅為0.207，而Ens和R2的值均在0.88 以上，與實測值的相關性達到了極顯著水平（P＜0.01）。

不同模型模擬精度對比

3.3 不同車型分擔率預測對比

圖2 為不同模型對不同車型事故發生率的預測。圖4 顯示，ELM模型對不同車型事故分擔率模擬結果與實測值最為接近，WNN 模型和GRNN 模型的模擬結果雖與實測值的變化趨勢基本一致，但均在一定程度上高估了不同車型的事故發生率，ELM模型為精度最高的模型。

圖2 不同模型對不同事故車型分擔率的預測結果

4 結論

本文通過分析不同車型事故發生分擔率，掌握了不同車型在近幾年發生事故概率的變化情況，同時基于極限學習機（ELM）模型、廣義回歸神經網絡（GRNN）模型和小波神經網絡（WNN）模型等3 種機器學習模型，建立了道路風險檢測的預測模型，可為相關部門預防措施制定提供依據。