一种城市快速路交通事故气象因子敏感性分析方法技术

本发明专利技术公开了一种城市快速路交通事故气象因子敏感性分析方法，建立BP神经网络模型，然后依据遗传算法进行模型优化，找到神经网络模型的最佳隐含层节点数和训练算法，并对神经网络模型进行拟合验证；然后，依据建立的神经网络模型，依次进行局部敏感性分析和全局敏感性分析，建立可视化三维图形。本发明专利技术采用上述分析方法，提升交通事故预测的精度，清晰显示气象因子与交通事故数之间的显著关系。气象因子与交通事故数之间的显著关系。气象因子与交通事故数之间的显著关系。

【技术实现步骤摘要】
一种城市快速路交通事故气象因子敏感性分析方法


[0001]本专利技术涉及交通
，尤其是涉及一种城市快速路交通事故气象因子敏感性分析方法。

技术介绍

[0002]纵观我国交通总体现况而言，道路资源紧张、交通拥堵的状况没有得到根本的改观，特殊气象情况下道路交通急剧恶化。恶劣的气象环境要素对道路交通有严重的影响，隐藏着很大交通事故隐患，甚至会引发重特大交通事故。道路交通对气象环境条件非常敏感，已经成为威胁道路交通安全最大的非人为因素。同时，不利的气象条件给道路交通事故的救援和交通安全管制也增加了很大的难度。因此，进行道路交通气象的研究意义重大。

技术实现思路

[0003]本专利技术目的是对城市快速路交通事故的气象因子进行全面深入的研究，分析它们和道路交通事故数之间存在的关系，掌握未来交通事故的状况，根据交通事故预测情况有针对的采取相应的对策和决策，避免日后工作中的缺陷和不足，从而最终达到减少交通事故的目的。
[0004]为实现上述目的，本专利技术提供了如下技术方案：
[0005]一种城市快速路交通事故气象因子敏感性分析方法，包括如下步骤：
[0006]S1、基于GA
‑
BP神经网络的交通事故气象预测
[0007]S11：GA
‑
BP预测模型算法整体设计
[0008](1)BP神经网络结构确定
[0009]根据交通事故和气象数据，确定BP神经网络的输入层、输出层的变量、隐含层数和隐含层节点数、激励函数和训练函数。
>[0010](2)遗传算法优化
[0011]遗传算法优化BP神经网络的过程中，种群的个体包含了BP网络各个网络层的权重和阈值参数，根据适应度函数来计算个体相应的个体适应度值，再通过选择、交叉、变异等操作，确定适应度值最优的个体。
[0012](3)BP神经网络预测
[0013]将遗传算法优化得到的最优个体所包含的网络初始权值和阈值，赋予BP神经网络，找到最佳神经网络模型的隐含层节点数量和训练算法，并对神经网络模型进行误差性能分析和输出数据复合系数分析；
[0014]S12：权重和阈值的确定
[0015]利用遗传算法全局搜索的优势，来对初始权值和阈值进行寻优，确定网络最优的初始权值和阈值，从而提升BP神经网络的预测精度和稳定性。具体优化步骤如下：
[0016](1)种群初始化
[0017]将BP网络输入层、输出层、隐含层的之间的权重和阈值，通过实数编码的编码方式
进行编码操作，得到一个实数编码，作为种群的个体。根据设置初始种群大小，采用随机法产生初始化种群。个体编码长度规则为：
[0018]S＝n*m+m*l+m+l
[0019]式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数。
[0020](2)适应度函数计算
[0021]适应度函数的计算，首先通过个体i，获取此时神经网络的初始权值和阈值，在经过网络的训练后，得到网络输出的预测值。求取预测值与期望值的绝对误差的和值，该和值乘以一个相关系数k，即可得到适应度值F。具体求取公式如下：
[0022][0023]式中，n为网络输出节点数；k为系数；o
i
为第i个节点的预测输出。y
i
为BP神经网络第i个节点的期望输出；
[0024](3)选择操作
[0025]选择轮盘赌法，是在适应度比例基础上的选择，其中每个个体i相应的选择概率p
i
：
[0026]f
i
＝k/F
i
[0027][0028]式中，F
i
是个体i的适应度值，因为适应度值越小越好，因此在个体选择前对适应度值进行求倒数；种群个体数目为N；系数为k。
[0029](4)交叉操作
[0030]交叉操作中采用实数交叉法，第k个染色体k和第1个染色体I在j位的交叉操作，具体方法如下：
[0031]α
ki
＝α
kj
(1
‑
b)+α
lj
b
[0032]α
lj
＝α
lj
(1
‑
b)+α
kj
b
[0033]式中，b是[0，1]间的随机数。
[0034](5)变异操作
[0035]选取第i个个体的第j个基因ij，并对其进行相应的变异操作，具体的变异操作方式如下：
[0036][0037]f(g)＝r2(1
‑
g/G
max
)
[0038]式中，α
max
为基因α
ij
的上界，α
min
为基因α
ij
的下界，r2为一个随机数；g为当前迭代次数；G
max
是最大进化次数；r为[0，1]间的随机数。
[0039]S13：BP网络模型的建立
[0040]由于人工神经网络尚处于学科发展初期，其理论还没有完善到能提供一套可遵循的设计方法，人工神经网络的设计既要以网络理论为依据，又要通过试验进行验证。
[0041]1、输入层、输出层的变量确定
[0042]根据气象因子与交通事故的关系，输入层变量主要包括一些对交通事故有着紧密联系的气象因子，输出层的变量是交通事故数。
[0043]2、隐含层数的确定
[0044]选择构建网络的隐含层数为1层。
[0045]3、隐含层节点数的确定
[0046]在BP网络中，隐含层节点数量可以根据如下三个公式确定：
[0047][0048]m＝log2n
[0049][0050]式中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；为1
‑
10之间的常数。注：需取三者最大范围。
[0051]4、预测模型激励函数和训练算法的选择
[0052](1)激励函数的选择
[0053]交通事故预测符合高度非线性的映射，激励函数包括值域在(0，1)区间的logsig函数和值域在(
‑
1，1)的tansig函数。
[0054]logsig函数表达式为：
[0055][0056]tansig函数表达式为：
[0057][0058]其中：a，b＞0常数，通常a＝1.7159，b＝2/3。
[0059]网络的隐含层至输出层神经元的传递采用purelin线性函数，三个激励函数如图3所示。
[0060](2)训练函数的选择
[0061]BP神经网络的训练函数如下表1所示，根据训练结果进行比较分析，选出预测效果最好的训练函数。
[0062]表1 BP训练算法表
[0063][0064][0065]S2、GA
‑
BP神经网络的敏感性分析
[0066]S21：基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市快速路交通事故气象因子敏感性分析方法，其特征在于，包括如下步骤，S1、基于GA
‑
BP神经网络的交通事故气象预测S11：BP神经网络结构确定根据交通事故数据和气象数据，确定BP神经网络的输入层和输出层变量、隐含层数和隐含层节点数范围，激励函数和训练函数；S12：遗传算法优化使用遗传算法对BP神经网络进行优化，种群的个体包含了BP神经网络各个网络层的权重和阈值参数，根据适应度函数来计算个体相应的个体适应度值，再通过选择、交叉、变异操作，确定适应度值最优的个体；S13：BP神经网络预测将最优个体所包含的网络初始权值和阈值赋予神经网络，找到最佳神经网络模型的隐含层节点数和训练算法，并对神经网络模型进行误差性能分析和输出数据复合系数分析；S2：GA
‑
BP神经网络的敏感性分析S21：基于随机化方法的局部敏感性分析基于连接权、偏导、扰动三方向，分别使用Garson算法、Dimoponlos算法、百分比扰动方法进行敏感性分析，然后使用随机化检验方法对上述三种方法结果进行校验，确定气象因子与交通事故数之间的敏感性关系；S22：基于二阶偏导的全局敏感性分析采用Pa D2敏感性分析方法，分析模型各输入的双变量组合对模型...

【专利技术属性】
技术研发人员：王建军，卢霄娟，王赛，马驰骋，关山，宋明洋，李冬怡，
申请(专利权)人：长安大学，
类型：发明
国别省市：