论文部分内容阅读
摘要：作者提出了采用BP神经网络进行交通事故损失预测的方法，并根据某市近几年的交通事故进行了预测。结果证明，该模型在预测中是可行的，预测的误差较小。
1、我国现在对交通事故分析、预测，主要是采用数理统计，对交通事故的4项指标(事故次数、死亡人数、受伤人数、直接经济损失)进行预测，预测精度并不高；另外，数理统计法不仅要求数据量大，样本有较好的分布规律，对非典型分布、非平稳过程等都感到棘手，而且计算工作量大，可能出现量化结果与定性分析结果不符。但这些事故中蕴涵着客观规律，预测就是要利用这些规律对事故的未来的发展趋势和水平做出判断和推测。交通事故的起因有以下六种：(1)机动车；(2)机动车驾驶员；(3)非机动车驾驶员；(4)行人乘车人；(5)道路；(6)其它。由交通事故的复杂性，模糊性和其潜在的规律性，可以利用BP网络对其损失进行预测分析。
2、BP神经网络模型
2.1 BP神经网络理论
BP网络最初是由Werbos于1975年前后发明的，它由输入层神经元、输出层神经元及隐层神经元组成，其中隐层可以是一层或多层，相邻层采用全互连结构，当有信息向网络输入时，信息首先由输入层传至隐层节点，经特性函数作用后，再传至下一隐层，直到最终传至输出层进行输出，其间每经过一层都要由相应的特性函数进行交换。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
2.2 模型相关因素处理
由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果影响很大，因此，初始权值在输入累加时使每个神经元的状态值接近于零，权值一般取随机数，要比较小，输入样本要进行归一化处理，使那些比较大的输入仍能落在传递函数梯度大的地方，将数据处理为区间[0，1]之间的数据，采用如下公式进行归一化处理：
X=x-xmin/xmin-xmin
3、BP网络交通事故损失预测分析
根据某市2001年初到2005年底，这段时间的交通事故次数以及损失为原始数据，计算预测2005年交通事故造成的损失。表一为这几年的交通事故起因统计表，表二为各人员伤亡及经济损失统计表。(注：(1)机动车；(2)机动车驾驶员；(3)非机动车驾驶员；(4)行人乘车人；(5)道路；(6)其它。
3.1 建模并进行数据检验
建立BP模型时，01年到03年的数据作为样本进行训练建立模型，04年的数据进行检验，04年的预测值与实际值误差小于10％基本就可以了。模型建立后保存模型建立时的各个参数。
对某市近几年的预测，神经网络的激活函数在隐层采用SA型激活函数输出层采用线性激活函数。采用6输入，3输出的三层网络，根据经验公式隐含层节点数为11个。取df=10，me=10000，eg=0.0000000001，h=0.05。利用函数trainbpx对网络进行训练82次后，网络误差平方和达到了目标误差的要求。
3.2 仿真预测
重新输入数据，输入01到04的输入层数据和输出层数据，调用模型建立时的参数，利用05年的事故起因数据，进行预测可以得到05年的人员伤亡情况和经济损失数据。训练过程如图三，预测结果如表三。
4 结束语
从模型的预测输出(692 217 3283838)与期望输出(704215 3341426)来看，误差很小，预测结果有较高的精度，并且结论直观。把BP网络应用在交通事故损失预测研究中有，并应用NATLAB的神经网络工具箱建立了交通事故损失BP神经网络预测模型，经过检验证明BP神经网络应用于交通事故损失预测预报具有可行性和应用价值。
1、我国现在对交通事故分析、预测，主要是采用数理统计，对交通事故的4项指标(事故次数、死亡人数、受伤人数、直接经济损失)进行预测，预测精度并不高；另外，数理统计法不仅要求数据量大，样本有较好的分布规律，对非典型分布、非平稳过程等都感到棘手，而且计算工作量大，可能出现量化结果与定性分析结果不符。但这些事故中蕴涵着客观规律，预测就是要利用这些规律对事故的未来的发展趋势和水平做出判断和推测。交通事故的起因有以下六种：(1)机动车；(2)机动车驾驶员；(3)非机动车驾驶员；(4)行人乘车人；(5)道路；(6)其它。由交通事故的复杂性，模糊性和其潜在的规律性，可以利用BP网络对其损失进行预测分析。
2、BP神经网络模型
2.1 BP神经网络理论
BP网络最初是由Werbos于1975年前后发明的，它由输入层神经元、输出层神经元及隐层神经元组成，其中隐层可以是一层或多层，相邻层采用全互连结构，当有信息向网络输入时，信息首先由输入层传至隐层节点，经特性函数作用后，再传至下一隐层，直到最终传至输出层进行输出，其间每经过一层都要由相应的特性函数进行交换。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
2.2 模型相关因素处理
由于系统是非线性的，初始值对于学习能否达到局部最小和是否能够收敛的结果影响很大，因此，初始权值在输入累加时使每个神经元的状态值接近于零，权值一般取随机数，要比较小，输入样本要进行归一化处理，使那些比较大的输入仍能落在传递函数梯度大的地方，将数据处理为区间[0，1]之间的数据，采用如下公式进行归一化处理：
X=x-xmin/xmin-xmin
3、BP网络交通事故损失预测分析
根据某市2001年初到2005年底，这段时间的交通事故次数以及损失为原始数据，计算预测2005年交通事故造成的损失。表一为这几年的交通事故起因统计表，表二为各人员伤亡及经济损失统计表。(注：(1)机动车；(2)机动车驾驶员；(3)非机动车驾驶员；(4)行人乘车人；(5)道路；(6)其它。
3.1 建模并进行数据检验
建立BP模型时，01年到03年的数据作为样本进行训练建立模型，04年的数据进行检验，04年的预测值与实际值误差小于10％基本就可以了。模型建立后保存模型建立时的各个参数。
对某市近几年的预测，神经网络的激活函数在隐层采用SA型激活函数输出层采用线性激活函数。采用6输入，3输出的三层网络，根据经验公式隐含层节点数为11个。取df=10，me=10000，eg=0.0000000001，h=0.05。利用函数trainbpx对网络进行训练82次后，网络误差平方和达到了目标误差的要求。
3.2 仿真预测
重新输入数据，输入01到04的输入层数据和输出层数据，调用模型建立时的参数，利用05年的事故起因数据，进行预测可以得到05年的人员伤亡情况和经济损失数据。训练过程如图三，预测结果如表三。
4 结束语
从模型的预测输出(692 217 3283838)与期望输出(704215 3341426)来看，误差很小，预测结果有较高的精度，并且结论直观。把BP网络应用在交通事故损失预测研究中有，并应用NATLAB的神经网络工具箱建立了交通事故损失BP神经网络预测模型，经过检验证明BP神经网络应用于交通事故损失预测预报具有可行性和应用价值。