基于改進灰色預測模型的交通事故預測模型研究

潘翱翀　賴健瓊

摘? 要： 為了提高交通事故數據預測的準確度，采取GM（1，1）和OSDGM（1，1）等單一模型，對2008-2019年我國交通事故死亡人數數據進行分析。根據GM（1，1）和OSDGM（1，1）模型建立最優加權組合模型，使用Verhulst模型對建立的加權組合模型進行殘差修正，并借助灰色模型精度評價指標對預測結果進行檢驗。預測結果表明，GM（1，1）、OSDGM（1，1）模型和改進的灰色預測模型的預測結果的平均相對誤差分別為4.35%、4.30%和1.19%，且改進的灰色模型通過精度指標檢驗，說明改進灰色預測模型具有較高的精度。

關鍵詞： GM（1，1）模型; OSDGM（1，1）模型; Verhulst模型; 最優加權組合模型

中圖分類號：U491.31? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）05-33-05

Research on traffic accident prediction model based on improved grey prediction model

Pan Aochong， Lai Jianqiong

Abstract： In order to improve the accuracy of traffic accident data prediction， a single model such as GM（1，1） and OSDGM（1，1） is used to analyze and predict the traffic accident fatalities data in China from 2008 to 2019. According to the GM（1，1） and OSDGM（1，1） models， the optimal weighted combination model is established. The Verhulst model is used to correct the residuals of the established weighted combination model， and the prediction results are tested with the grey model accuracy evaluation index. The prediction results show that the average relative errors of the prediction results of the GM（1，1）， OSDGM（1，1） models and the improved grey prediction model are 4.35%， 4.30% and 1.19%， respectively. The improved grey model has passed the accuracy index test. It shows that the improved grey prediction model has higher accuracy.

Key words： GM（1，1） model; OSDGM（1，1） model; Verhulst model; optimal weighted combination model

引言

在交通事故分析領域主要有如下模型：時間序列模型[1]、馬爾科夫鏈模型、灰色模型[2]、支持向量機模型[3-4]、貝葉斯網絡模型[5]和BP神經網絡模型[6]等，從相關資料和實驗數據中可以發現，使用單一的模型會受到其自身模型特性的影響，不能達到較好的效果。

在目前，較為常用的灰色模型有GM（1，1）模型、Verhulst模型以及灰色馬爾科夫模型等。GM（1，1）模型往往要求數據具有較強的指數型增長的特性。Verhulst模型則更加適用于非單調的擺動發展序列或具有飽和狀態的S形序列。離散灰色模型相較于GM（1，1）模型，可拓展性更強，且當進行長期數據預測時，離散模型具有較高的預測精度[7]，而OSDGM（1，1）模型則不僅繼承了離散灰色模型的優點，還在原有基礎上進行了優化。為了更好地預測交通事故數據，本文將分別建立GM（1，1）模型和OSDGM（1，1）模型等單一模型，在此基礎上對2008-2017年的數據，建立最優加權組合模型，利用Verhulst模型對模型進行殘差修正，最終對模型的精度指標進行檢驗。

1 改進灰色預測模型關鍵技術及評價指標

1.1 灰色模型（Grey Model，即GM（1，1））[8]

GM（1，1）模型的原理和計算方法如下：

定義1 設交通事故原始數據序列為[x0=x01，x02，…，x0n]，其中，1-AGO序列[x1=x11，x12，…，x1n]，其中[x1k=i=1kx0i，k=1，2，…，n]，則定義[x1]的灰導數為[dk=x0k=x1k-x1k-1]。令[z1]為序列[x1]的緊鄰生成序列，即[z1k=0.5x1k+0.5x1k-1，k=2，3，…，n]則[z1=（z12，z13，][…，z（1）（n））]。

定義GM（1，1）灰微分方程模型為[d（k）+az（1）（k）=b]，即

⑴

記[Y=x（0）（2）x（0）（3）?x（0）（n）]，[B=-z（1）（2）1-z（1）（3）?-z（1）（n）1?1]，參數列[u=（a，b）T]，則由最小二乘法可得，[u=（a，b）T=（BTB）-1BTY]，與⑴式相對應的白化微分方程為[dx（1）dt+ax（1）（t）=b]，其中[t]表示時間，則該白化微分方程的解為

⑵

將求得的參數代入式⑵中，即可得到累加預測值[x（1）（k+1）]，根據[x（0）（k+1）=x（1）（k+1）-x（1）（k），k=1，2，…，n-1]求出交通事故數據預測序列[x（0）=（x（0）（1）， x（0）（2），…，x（0）（n））]。

1.2 Verhulst模型[9]

Verhulst模型的基本原理和計算方法如下。

定義2 [x（1）]為交通事故數據原始序列，則[x（1）=（x（1）（1），x（1）（2），…，x（1）（n））]，[x（0）]為[x（1）]的一次累減生成序列，即[x（0）=（x（0）（1），x（0）（2），…，x（0）（n））]，[x（0）（k）=x（1）（k+1）-x（1）（k）（k=1，2，3，…，n）]

[z1]為[x1]的緊鄰生成序列：

[z1=z11，z12，…，z1n]

[z（1）（k）=0.5（x（1）（k）+x（1）（k-1））（k=2，3，…，n）]，則稱[x（0）+az（1）=b（z（1））2]為Verhulst模型，[a]和[b]為待求參數。稱

⑶

為Verhulst模型的白化方程，其中[t]為時間。

定理1 設[β=[a，b]T]為所求參數列，且構造如下矩陣[B]和向量[Y]：

⑷

則參數列[β]的最小二乘估計滿足[β=[a，b]T=（BTB）-1BTY]，由此，可以得到Verhulst模型白化方程的解為

⑸

Verhulst模型的時間響應序列為

⑹

[x（1）（0）]取為[x（0）（1）]則上式變為

⑺

1.3 優化初始點離散灰色模型（the Optimized Starting-point fixed Discrete Grey Model，簡稱OSDGM（1，1））[7]

OSDGM（1，1）模型的原理和計算方法如下：

定義3 設交通事故原始數據序列為[x（0）=（x（0）（1），x（0）（2），…，x（0）（n））]，其中，1-AGO序列[x（1）=（x（1）（1），x（1）（2），…，x（1）（n））]，[x（1）（k）=i=1kx0i，k=1，2，…，n]則稱

⑻

為OSDGM（1，1）模型。其中，[x（1）（k）]為[x（1）（k）]的預測值，[β1]，[β2]和[β3]為模型參數，[x（1）（1）]是模型迭代基值。

OSDGM（1，1）模型是由離散型灰色模型（Discrete Grey Model，簡稱DGM（1，1））在模型初始點處進行優化得到的。因此，在OSDGM（1，1）模型中的參數[β1]和[β2]的求解方式相同，可以借助最小二乘法，也可以通過公式⑼、公式⑽得到參數[β1]和[β2]的值。

⑼

⑽

在OSDGM（1，1）中，為了求解[β3]，建立如下無約束優化問題：[mink=1nx（1）（k）-x（1）（k）2]。其本質是求解當殘差平方和最小時，[β3]的取值。即得到

⑾

由公式⑼到公式⑾，可以進一步得出[x（1）]的表達式

⑿

得交通事故預測值[x0k+1=x1k+1-x1k]

[k=1，2，3，…，n-1]。

1.4 最優加權組合模型[10]

為了提高對交通事故數據預測的準確度，本文將采用最優加權組合模型對原有單一模型進行優化，進而提高對原始數據的預測效果。最優加權組合模型，本質上是將求解權重問題轉化為在最小二乘原理上的數學規劃問題[9]，其基本計算步驟如下：

設交通事故數據預測問題中有[p]個子預測模型，[q]個待預測點，即[yit（i=1，2，…，p;t=1，2，…，q）]。[yit]代表第[i]個模型在第[t]個時間點的實際值，而[yit]則代表與之對應的預測值，權向量[w=（w1，w2，…，wp）T]中的元素為組合模型中各個子模型的權重值，因此可以得到組合預測模型為[Y=i=1pwiyi]，設子模型的擬合殘差為[eit=yit-yit]，則擬合殘差矩陣為

⒀

進而將權重求解問題轉化為如下問題解決：

⒁

設[R=（1，1，…，1）T]，則

⒂

對式⒂使用拉格朗日法，得到最優組合權重：

⒃

1.5 模型評價指標[12]

一般地，灰色模型通常有四種精度檢驗等級（如表1所示），本文將選擇相對誤差和絕對關聯度作為模型精度評價的指標。其中殘差計算為[e（k）=x（0）（k）-x（0）（k），k=1，2，…，10]，相對誤差為[E（k）=e（k）x（0）（k），k=1，2，…，10]，平均相對誤差：[ε=1nk=1nE（k）]。絕對關聯度計算方法，首先設真實值序列和預測序列的始點零化像分別是[x（0）0]和[y0]，[x（0）0=（x（0）0（1），x（0）0（2），…，x（0）0（n））]，[y0=（y0（1），y0（2），…，y0（n））]。其中：

⒄

⒅

記[s0=k=1n-1x（0）0（k）+0.5x（0）0（n）]，

[s1=k=1n-1y0k+0.5y0n，]

[s1-s0][=k=1n-1（y0（k）-x（0）0（k））+0.5（y0（n）-x（0）0（n））]，則絕對關聯度可以表示為

⒆

2 交通事故灰色預測模型及應用

2.1 改進的灰色預測模型簡述

改進的灰色預測模型根據2008-2017年交通事故死亡人數數據分別建立GM（1，1）模型和OSDGM（1，1）模型等單一模型，在得到單一模型預測數據的基礎上，建立最優加權組合模型，利用Verhulst模型對建立的組合模型進行殘差修正，最終對模型的精度指標進行檢驗，并將改進的灰色預測模型、GM（1，1）和OSDGM（1，1）模型進行比較。

2.2 實驗數據

灰色模型的主要特點是需要的樣本少，具有相對較好的精度，且交通事故的發生又和多種因素相關，符合灰色模型的適用范圍。本文的數據基礎是我國2008-2017年交通事故死亡人數數據（來源于《各年全國道路交通事故統計年報》）如表2所示。

2.3 改進灰色交通預測模型及應用

本文根據我國交通事故死亡人數數據建立GM（1，1）和OSDGM（1，1）模型，并通過最優加權組合模型將兩種模型進行加權組合。根據所建立的模型預測未來幾年我國交通事故數據，并依據灰色模型精度檢驗等級對預測模型的科學性和有效性進行檢驗，最后對2018-2019年交通事故數據進行預測。具體的工作流程如下。

⑴ 改進灰色預測交通事故模型建立

根據上述模型，構建GM（1，1）、OSDGM（1，1）模型等單一預測模型，并借助python求解得到如下結果：

GM（1，1）模型為：

⒇

OSDGM（1，1）模型為：

（21）

為了建立最優加權組合模型，選取2008-2017年交通事故數據作為樣本數據，記GM（1，1）、OSDGM（1，1）模型對2009-2017年的預測結果分別是：

[y1]=（64202.001，63619.968，63043.211，62471.683，

61905.336，61344.123，60787.998，60236.915，59690.828），

[y2]=（64059.508，63510.616，62966.850，62428.156，61894.484，61365.784，60842.006，60323.010，59809.018）

所對應的真實值為2009年-2017年交通事故數據，則可以求出各模型與真實數據之間的誤差[eit]，進而求得擬合殘差矩陣：

（22）

設列向量[R=[1，1]T]，則可根據[w0=E-1RRTE-1R]計算得到各模型在組合模型中的權向量[w0=0.53750.4625]，即在最優加權組合模型中GM（1，1）和OSDGM（1，1）模型的權重分別為0.5375和0.4625，可以得到如下組合模型表達式：

（23）

其中，[y]表示最優加權組合模型的預測值，[yi（i=1，2）]表示各個單一模型的預測值，將GM（1，1）和OSDGM（1，1）模型的預測值分別代入式（23）即可求出組合模型的預測值，并得到表3所示結果。

⑵ 精度檢驗

根據1.5節平均相對誤差和絕對關聯度的計算方法，可以計算得到平均相對誤差[ε=0.04349]，絕對關聯度[g=0.65]。

絕對關聯度[g=0.65>0.6]，則表明該模型仍存在問題，模型表現不夠理想，未達到預測的合格水平，因此對該模型進行殘差修正。

[13]

記通過GM（1，1）和OSDGM（1，1）模型經過最優加權組合之后的模型值和真實值之間的誤差為殘差，即

（24）

利用殘差對原有模型進行修正，根據式（24）建立殘差序列，即[e（0）1=（e（0）1（2），e（0）1（3），…，e（0）1（n））]。對殘差序列做非負處理，得到[e（0）=（e（0）（2），e（0）（3），…，e（0）（n））]

其中，[e（0）（k）=|e（0）1（k）|，k=2，3，…n]。

由于Verhulst模型適用于非單調的擺動發展序列，而殘差序列往往具有類似的擺動不確定的特點，因此，對殘差序列[e（0）]進行Verhulst建模，得到如下預測模型：

（24）

用[e（0）]修正[x（0）]得到灰色殘差修正的組合加權模型[x（0）e（k+1）=x（0）（k+1）±e（0）（k+1），k=1，2，…，n]。

其中，每一個殘差的符號應該和[e（0）1]的符號保持一致，由此得到如表4所示的殘差修正后的結果。

由此可以得到殘差修正加權組合模型的平均相對誤差[ε=0.014<0.05]，且[ε]顯然更接近于0.01，絕對關聯度[g=0.83>0.8]，表明預測等級合格，因此殘差修正過的模型可用，即可以利用該模型預測2018-2019年我國交通事故死亡人數，如表5所示。

2.4 交通事故死亡人數預測結果分析

選用2008-2017年交通事故死亡人數數據，利用改進后的灰色交通預測模型得到的實驗結果如表6所示。從表中可以看出各模型的平均相對誤差均在5%以下，表明本文中采用GM（1，1）和OSDGM（1，1）模型對于交通事故數據的分析和預測是有效的。從3種模型比較結果可以看出，組合預測模型預測效果最好，即平均相對誤差最小，且2008-2019年改進的灰色預測模型、GM（1，1）和OSDGM（1，1）模型預測結果的平均相對誤差分別是1.19%、4.35%和4.30%。

根據表6，可以得到如圖1所示改進的灰色預測模型、GM（1，1）和OSDGM（1，1）的相對誤差的對比圖。由圖1可以看出，除2011年以外，在其他各年份中改進的灰色預測模型的相對誤差明顯低于GM（1，1）和OSDGM（1，1）的相對誤差，即改進的灰色預測模型的預測值更接近于真實值，預測效果優于GM（1，1）和OSDGM（1，1）。

由2008-2019年交通事故死亡人數模型值和真實值對比圖（圖2）可以看出，從2008年到2019年的交通事故死亡人數總體呈現下降的趨勢，且模型值和真實值的擬合程度較好。由此可見，將各個單一模型組合之后，模型精度得到了提高，克服了單一模型的局限性，進而使模型預測的能力大大提升。

3 結束語

本文以2008-2017年我國交通死亡人數數據作為樣本內數據，分別采取GM（1，1）和OSDGM（1，1）模型對數據進行預測，在得到單一模型預測數據的基礎之上，建立最優加權組合模型，并借助Verhulst模型對建立的最優加權組合模型進行殘差修正，使預測結果更加接近實際結果，最終得到2008-2019年交通事故預測模型GM（1，1）、OSDGM（1，1）以及改進模型的平均相對誤差分別為4.35%、4.30%和1.19%，由此可見，組合模型誤差大大降低。從單一模型的角度來看，GM（1，1）模型則適合于具有較強指數增長型的數據;Verhulst模型則利用了自身模型趨于穩定的特點，可以更好地處理殘差序列波動性較強的問題;OSDGM（1，1）模型是離散型灰色模型的在初始條件上的優化模型，該模型繼承了原有離散型灰色模型的特點，且相較于離散型灰色模型更加接近真實曲線。綜合上述模型，本文提出的最優加權組合模型可以結合三種模型的優點，為相關部門的進行有效的科學管理提供理論依據。

參考文獻（References）：

[1] 邵輝，王鈺，李保安，等.交通事故損失的時間序列分析[J].中國

安全科學學報，2007（7）：10-13

[2] 趙江平，丁佳麗.基于小波分析的灰色GM（1，1）模型道路交

通事故預測[J].數學的實踐與認識，2015，45（12）：119-124

[3] 戢小輝.基于灰色關聯的LS-SVM道路交通事故預測[J].

計算機應用研究，2016，33（3）：806-809

[4] 胡啟洲，高寧波，葉茂.基于支持向量機的道路交通事故數據

統計模型研究[J].中國安全科學學報，2013，23（6）：39-44

[5] 許洪國，張慧永，宗芳.交通事故致因分析的貝葉斯網絡建模[J].

吉林大學學報（工學版），2011，41（S1）：89-94

[6] 劉衛寧，王鵬，孫棣華，解佳.基于改進BP神經網絡的道路交

通事故預測[J].計算機系統應用，2010，19（10）：177-181

[7] Nai-mingXie，Si-feng Liu. Discrete grey forecasting model

and its optimization[J].AppliedMathematical Modelling，2008，33（2）

[8] 張小允，李哲敏.基于GM（1，1）模型的中國小雜糧種植面積

預測分析[J].中國農業資源與區劃，2018，39（9）：81-86

[9] 趙玲，許宏科，程鴻亮.基于最優加權組合模型的道路交通事

故預測[J].計算機工程與應用，2013，49（24）：11-15

[10] 楊英明，李全生，方杰.基于最優加權組合模型的煤炭消費

預測分析[J].煤炭工程，2018，50（5）：156-160

[11] 楊紅軍，王勝輝，李瀟瀟.基于最優加權組合模型的光伏出

力預測[J].沈陽工程學院學報（自然科學版），2019，15（4）：300-305

[12] 王福建，李鐵強，俞傳正.道路交通事故灰色Verhulst預測

模型[J].交通運輸工程學報，2006（1）：122-126

[13] 杜文然，陸航，楊濤存，徐貴紅.基于灰色GM（1，1）殘差修正

模型的動車組故障率預測[J].鐵道機車車輛，2021，41（2）：17-21

收稿日期：2021-10-08

作者簡介：潘翱翀（2000-），男，江蘇南京人，本科在讀，主要研究方向：機器學習。