秦利燕 邵春福 趙 亮

(山東交通學(xué)院交通與物流工程系1) 濟南 250023) (北京交通大學(xué)運輸學(xué)院2) 北京 100044)

0 引 言

近年來,中國的道路交通安全形勢十分嚴(yán)峻,連續(xù)多年來交通事故死亡人數(shù)在10萬人左右[1-2],影響了經(jīng)濟發(fā)展和社會穩(wěn)定,保障人們的出行安全和貨物運輸安全,變得十分必要和迫在眉睫.因此對中國的交通安全形勢做出科學(xué)的預(yù)測,同時,為政府宏觀改善政策及具體應(yīng)對措施的出臺提供依據(jù)十分必要.

目前國內(nèi)外有多種方法應(yīng)用于事故預(yù)測.Hong[3]等通過綜合考慮道路類型和交通特性的影響,改進了原有的交通事故預(yù)測模型;裴玉龍[4]提出的交通事故死亡人數(shù)預(yù)測模型,由于網(wǎng)絡(luò)收斂速度慢且預(yù)測結(jié)果的誤差較大.本文在對中國交通領(lǐng)域相關(guān)數(shù)據(jù)的分析整理的基礎(chǔ)上,用遺傳算法作為優(yōu)化算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,克服自身缺陷,較好地實現(xiàn)了事故死亡人數(shù)預(yù)測,使事故預(yù)測的方法更加完備.

1 道路交通安全評價指標(biāo)及相關(guān)因素的確定

1.1 交通安全評價指標(biāo)特性

在道路交通安全系統(tǒng)里面,交通安全水平面普遍采用事故次數(shù)、死亡人數(shù)、受傷人數(shù)和經(jīng)濟損失這四個統(tǒng)計指標(biāo)來衡量.

對事故次數(shù)來說,大多數(shù)的道路交通事故僅涉及物損,不涉及人員傷亡的事故統(tǒng)計中被大量遺漏,不同國家、區(qū)域統(tǒng)計的遺漏的程度也不同;對于經(jīng)濟損失而言,由于各個國家和地區(qū)的貨幣體系的不同、事故處理人員的認(rèn)知程度不同,統(tǒng)計主觀因素很大,而缺乏可比性;受傷人數(shù)的統(tǒng)計也存在類似的問題,因此也缺乏可比性.

交通事故死亡是交通安全危害最大的一種結(jié)果,并且涉及人員死亡的道路交通事故歷來受到高度重視,在統(tǒng)計中很少遺漏,所以它最能表征安全與不安全的特征.而且從各國、各區(qū)域的數(shù)據(jù)統(tǒng)計上來看,都對死亡情況作了詳細(xì)記錄,可比性也較強,因此應(yīng)本文將死亡人數(shù)作為表征衡量交通安全程度的預(yù)測指標(biāo).

1.2 相關(guān)影響因素

道路交通安全不但與宏觀道路交通背景直接相關(guān),而且與社會環(huán)境的大背景相關(guān).道路交通事故的發(fā)生具有很大的隨機性,影響因素眾多,本文選取人均GDP、機動車保有量、公路里程作為道路交通事故預(yù)測模型的核心的指標(biāo).相關(guān)因素的近年數(shù)據(jù)變化情況和主管部門對未來發(fā)展趨勢的預(yù)測和規(guī)劃情況見表1.

表1 中國歷年道路交通各項指標(biāo)統(tǒng)計

2 遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 用遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

本文引入遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,從而建立了一種新的事故死亡人數(shù)預(yù)測方法.其基本思想是以GA優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值,再由BP算法按負(fù)梯度方向,修正網(wǎng)絡(luò)的權(quán)值和閾值,進行網(wǎng)絡(luò)訓(xùn)練.這種方法避免了BP網(wǎng)絡(luò)易陷入局部極小的問題,實現(xiàn)優(yōu)勢互補,達(dá)到優(yōu)化網(wǎng)絡(luò)的目的[5-7].

1)編碼 對網(wǎng)絡(luò)中連接權(quán)值和閾值進行編碼主要有兩種方法:一是采用二進制編碼,另一種采用實數(shù)制編碼方案.本文采用二進制編碼.

2)產(chǎn)生初始群體M 種群的大小對遺傳算法影響很大,種群數(shù)目大,可增加種群中個體的多樣性,容易找到最優(yōu)解,但會延長收斂時間;種群數(shù)目小可加快算法的收斂,但容易陷入局部極小(即不成熟收斂).本文中取M=40.

3)計算適應(yīng)度 構(gòu)造適應(yīng)度函數(shù) f,對于極小值采用下式

式中:C為常數(shù);

然后,根據(jù)適應(yīng)度函數(shù)計算出各個體的適應(yīng)值,按適應(yīng)值大小將個體進行遞減排列.

4)選擇(復(fù)制)操作 選擇適應(yīng)度大的個體遺傳到下一代,本文應(yīng)用適應(yīng)度比例法.即各個個體的選擇概率與與其適應(yīng)度成正比.如第i個個體的適應(yīng)值為f i,則其被選中的概率為

式中,M是群體規(guī)模.

5)交叉操作 從種群中按一定的交叉概率Pc隨機選擇2個權(quán)值個體,然后在個體字符串隨機設(shè)定一個交叉點,對該點后2個個體部分結(jié)構(gòu)進行交換,生成新個體.

6)變異操作 以一定的概率P m從群體中隨機選取若干個體,對選中的個體,隨機地確定基因座即變異點對這些基因座的等位基因進行變異,在即將1換為0,將0換為1,其概率很小.

7)重復(fù)步驟3)、4)、5)、6),使初始權(quán)值及閾值分布不斷修正進化,取在整個操作中最優(yōu)個體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值,然后對BP網(wǎng)絡(luò)進行訓(xùn)練,求得全局最優(yōu)解.

GA優(yōu)化神經(jīng)網(wǎng)絡(luò)的道路交通事故預(yù)測模型的學(xué)習(xí)過程框圖如圖1所示.

圖1 基于GA的神經(jīng)網(wǎng)絡(luò)模型的事故宏觀預(yù)測學(xué)習(xí)過程圖

2.2 預(yù)測模型的訓(xùn)練

采用1978～2004年的中國道路交通事故死亡人數(shù)的27組預(yù)測樣本(見表1),其中前21組作為訓(xùn)練樣本,后6組作為檢驗樣本.

GA優(yōu)化神經(jīng)網(wǎng)絡(luò)模型確定輸入層神經(jīng)元為3個,即公路里程、機動車擁有量、人均GDP;隱層節(jié)點確定為5個,輸出層為1個.在樣本的訓(xùn)練過程中,取初始種群 M=40,交叉概率Pc為 0.65,變異率P m為0.005,終止進化代數(shù)K max為400,初始權(quán)值與閾值取值范圍(-15,16),取神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率η為0.7,誤差要求E m in為0.01.

BP網(wǎng)絡(luò)訓(xùn)練確定了3個輸入層單元,分別是公路里程、機動車擁有量、人均GDP共3項因素,最佳隱層單元采用試算法確定為26,輸出層單元為預(yù)測未來年限的道路交通事故死亡人數(shù).在樣本的訓(xùn)練過程中,取神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率η為0.7,初始權(quán)值取值范圍(-1.0,1.0),誤差要求E min為0.01.

2.3 預(yù)測結(jié)果及分析

網(wǎng)絡(luò)訓(xùn)練好后,同時將遺傳神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的單獨的BP算法進行比較,結(jié)果見表2.將遺傳神經(jīng)網(wǎng)絡(luò)和BP網(wǎng)絡(luò)的相對誤差取絕對值,計算平均誤差分別為5.40%和9.31%.

用訓(xùn)練完畢且已掌握了“知識信息”的網(wǎng)絡(luò)進行預(yù)測時,只需將待測時段的3個影響因素資料輸入網(wǎng)絡(luò),通過正向計算輸出各單元輸出值即刻可得到2010年和2020年的預(yù)測結(jié)果[8].

表2 道路交通事故死亡人數(shù)預(yù)測結(jié)果

2個模型的對比計算來看,用遺傳算法學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)權(quán)值,計算精度遠(yuǎn)遠(yuǎn)高于傳編統(tǒng)的單獨的BP算法,收到了比較好的預(yù)測效果,由于遺傳算法適合于處理規(guī)模較大的并行問題,收斂速度加快,網(wǎng)絡(luò)性能大大改善.

3 結(jié) 論

1)道路交通安全狀況的影響因素主要有機動車保有量、公路里程、人均GDP等.

2)借鑒遺傳算法全局尋優(yōu)性和神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)的特點,建立了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)道路交通事故宏觀預(yù)測模型.通過對兩個模型的計算和對比研究發(fā)現(xiàn),基于遺傳算法的神經(jīng)網(wǎng)絡(luò)事故預(yù)測模型計算精度高,網(wǎng)絡(luò)泛化能力強.

[1]公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計資料匯編(1991～2006)[G].北京:公安部交通管理,2007.

[2]付 銳,劉浩學(xué).關(guān)于中國道路交通安全政策框架的探討[J].交通運輸工程學(xué)報,2001(1):122-126.

[3]Hong D,Lee Y,K im J,et al.Development of traffic accident p rediction models by traffic and road characteristics in urban areas[C]//Proceedding of the Eatern A sia Society for Transportation Studies,Chiyoda-ku,Tokyo,2005:2046-2061.

[4]裴玉龍.道路交通事故成因分析及預(yù)防對策研究[D].南京:東南大學(xué)交通運輸工程系,2002.

[5]戴 葵.神經(jīng)網(wǎng)絡(luò)實現(xiàn)技術(shù)[M].長沙:國防科技大學(xué)出版社,1998.

[6]呂 俊,張興華.幾種快速BP算法的比較研究[J].現(xiàn)代電子技術(shù),2003,24(5):78-82.

[7]劉勇健.基于智能算法的地下水位動態(tài)預(yù)測模型的建立與應(yīng)用[J].水文地質(zhì)工程地質(zhì),2004(3):55-58.

[8]秦利燕.道路交通事故預(yù)測預(yù)防理論與方法研究[D].北京:北京交通大學(xué)交通運輸學(xué)院,2006.