【摘要】：二十一世紀以來,伴隨著科技的飛速發(fā)展,我國的國民經(jīng)濟也取得了長足的進步,與此同時,人民對交通的需求不斷增加,城市車輛也隨之急劇增加。車輛的迅速增長不可避免地會帶來嚴重的交通事故頻發(fā)問題。交通事故發(fā)生之后所導(dǎo)致的后續(xù)問題,如道路癱瘓和交通擁堵等問題,會加重事故對社會和個人的損失。因此,交通管制部門希望能夠針對已經(jīng)發(fā)生的交通事故做出合理的對策,減少事故發(fā)生所帶來的后續(xù)損失。但是由于缺乏對事故的可靠的、科學(xué)的分析,交管部門難以做出針對事故的合理對策。交通事故持續(xù)時間是事故的重要信息之一,如果能預(yù)測出事故的持續(xù)時間范圍,交管部門將能以此為基礎(chǔ)對事故現(xiàn)場作出合理的警力部署和道路疏通工作;市民也能夠以此為基礎(chǔ)規(guī)劃自己的出行線路。因此,對事故持續(xù)時間的預(yù)測得到了越來越多的關(guān)注。道路交通事故包含很多信息,事故的持續(xù)時間也受到多種參數(shù)的影響,并且影響事故持續(xù)時間的影響因子之間關(guān)系復(fù)雜并且不確定。這給原始數(shù)據(jù)的選擇和持續(xù)時間的致因分析帶來了困擾。而現(xiàn)在的研究方法不能同時實現(xiàn)持續(xù)時間的預(yù)測和影響因子的分析。同時實現(xiàn)這兩個目標是本課題的主要研究內(nèi)容。本文提出貝葉斯網(wǎng)絡(luò)-SVM組合模型對影響因子進行分析,并預(yù)測事故的持續(xù)時間范圍。根據(jù)交通事故原始數(shù)據(jù)屬性參數(shù)多的特點,選用貝葉斯網(wǎng)絡(luò)模型對原始數(shù)據(jù)進行分析和處理,通過分析貝葉斯網(wǎng)絡(luò)模型結(jié)構(gòu),得到交通事故影響因子之間的依賴關(guān)系,并剔除掉原始數(shù)據(jù)中的無用屬性參數(shù),簡化數(shù)據(jù)。利用優(yōu)化后的數(shù)據(jù),選擇支持向量機(SVM)對事故持續(xù)時間范圍進行預(yù)測。對于支持向量機的參數(shù),本文選擇了網(wǎng)格搜索(Grid Search,GS)、遺傳算法(Genetic Algorithm,GA)、粒子群優(yōu)化方法(Particle Swarm Optimization,PSO)對支持向量機的參數(shù)進行優(yōu)化,并根據(jù)結(jié)果對比分析了這三種參數(shù)尋優(yōu)方法的優(yōu)缺點。將貝葉斯網(wǎng)絡(luò)-SVM組合模型與傳統(tǒng)的SVM的預(yù)測結(jié)果進行對比分析,驗證了前者在預(yù)測速度上的優(yōu)勢,并且能夠保證預(yù)測精度相較于SVM算法不會下降。
【圖文】：

圖 3-1 不同類型交通事故平均持續(xù)時間分布統(tǒng)計嚴重程度與事故的處理方式有密切的關(guān)系，包括是否使、是否出動救護車等，從而直接影響交通事故的持續(xù)時數(shù)據(jù)中，提取交通事故嚴重程度涉及到的 5 個屬性參數(shù)否封鎖、傷亡人數(shù)、是否涉及大巴車和是否涉及貨車。程度涉及到的屬性的取值給一個對應(yīng)的分數(shù)值，然后依嚴重程度分為 4 個等級。了方便利用貝葉斯網(wǎng)絡(luò)建模，給出交通事故嚴重程度涉值，如表 3-1 所示。將交通事故涉及到的屬性參數(shù)的評通事故的嚴重程度評分值。次交通事故為jI ( j 1, 2, , n)，屬性參數(shù)為 ( 1iX i ( )iGrad X ，具體的參數(shù)評分值如下表所示。表 3-1 交通事故嚴重程度計算表 屬性參數(shù) 參數(shù)值 參1

圖 3-2 不同嚴重程度的交通事故平均持續(xù)時間分布統(tǒng)計）環(huán)境因素交通事故持續(xù)時間的環(huán)境因素包括時間因素、天氣因素等。事故可能發(fā)生在一天中的任何時刻，表面上看，對于任意時持續(xù)時間也是隨機的。但是通過數(shù)據(jù)的統(tǒng)計分析，交通事故呈現(xiàn)出一定的規(guī)律性，如圖 3-3 所示。天的六個時間段內(nèi)，交通事故在 9:00-12:00,15:00-18:00 和 18間段中持續(xù)時間最久，平均時間都超過了 40 分鐘，其中在 的事故平均時間最長，超過了 65 分鐘。而在 0:00-9:00，12-24:00 內(nèi)發(fā)生的交通事故，其平均持續(xù)時間較短，均低于 33間較長的三個時間段為一天之中的道路高峰期，這三個時間放學(xué)的時間點和一般公司上下班的時間點，在這些時間里，駛的車輛也多，路況非常復(fù)雜，車流量和車道占有率比其他時引發(fā)交通事故的發(fā)生。一旦發(fā)生交通事故，事故現(xiàn)場就可能及交通擁堵。一方面，交通擁堵會給交警和救護車等救援措來麻煩，延長了從事故發(fā)生到救援到達現(xiàn)場的時間。另一方
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491.31

【參考文獻】

相關(guān)期刊論文 前10條

1 劉春陽;張澤浩;柳長安;吳華;;基于數(shù)據(jù)擴展的動態(tài)貝葉斯網(wǎng)絡(luò)預(yù)測方法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2015年S1期

2 童世鑫;叢浩哲;陳雨人;;高速公路交通事件清除時間模糊邏輯預(yù)測模型[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2011年01期

3 董四輝;副教授;史卓\~;;道路交通事故BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J];中國安全科學(xué)學(xué)報;2010年09期

4 趙小強;李瑞敏;;城市快速路交通事故持續(xù)時間預(yù)測[J];公路工程;2010年01期

5 張衛(wèi)華;孫浩;穆朝絮;;基于支持向量機的交通安全預(yù)測模型及仿真研究[J];系統(tǒng)仿真學(xué)報;2009年19期

6 李東寧;尚云龍;鄭中義;;淺議貝葉斯網(wǎng)絡(luò)應(yīng)用于海上交通事故致因分析的可行性[J];交通建設(shè)與管理;2009年05期

7 田琳芳;王t$;;一種基于周期的動態(tài)貝葉斯網(wǎng)絡(luò)預(yù)測模型[J];科技信息(學(xué)術(shù)研究);2008年08期

8 張浩然;汪曉東;;回歸最小二乘支持向量機的增量和在線式學(xué)習(xí)算法[J];計算機學(xué)報;2006年03期

9 王俊人;王鳳英;;城市道路交通事故安全評價研究[J];機械管理開發(fā);2006年01期

10 王文群,陳海波,瑪格利特·貝爾;交通事故持續(xù)時間分析綜述(英文)[J];交通運輸系統(tǒng)工程與信息;2005年03期

相關(guān)碩士學(xué)位論文 前4條

1 馬阿瑾;高速公路交通事故持續(xù)時間和影響范圍研究[D];長安大學(xué);2013年

2 趙小強;交通事故持續(xù)時間預(yù)測理論與方法[D];清華大學(xué);2010年

3 李俊;基于支持向量機的船舶交通事故預(yù)測研究[D];武漢理工大學(xué);2008年

4 牛國宏;基于神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測[D];長安大學(xué);2006年

，

本文編號：2708469