凌 璐，李 楓

（同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海201804）

城市道路具有交通流密度大、連續(xù)性強(qiáng)等特點(diǎn)，交通事故的出現(xiàn)可能降低路段所有車道的通行能力，并涉及到整個(gè)路網(wǎng)的運(yùn)行狀態(tài)，此時(shí)無(wú)論用“瓶頸”斷面處的最大通行能力，還是用未受到影響處的最大通行能力來(lái)評(píng)價(jià)路段的服務(wù)水平，都不能真實(shí)地反映整個(gè)路段車流的運(yùn)行狀況。

目前國(guó)內(nèi)外已經(jīng)有通過(guò)交通流理論建模以及基于實(shí)際數(shù)據(jù)來(lái)評(píng)價(jià)事故對(duì)道路通行能力的影響，Smith等發(fā)現(xiàn)城市高速公路容量減少主要是交通事故造成的，并且證明了將不確定性事故率作為隨機(jī)變量是最好的建模方法［1］。Frantzeskakis等也在交通事故率、碰撞暴露、事故類型對(duì)公路通行能力的影響做了相關(guān)研究［2］。張海軍等通過(guò)微觀仿真將事發(fā)點(diǎn)通行能力的影響因素歸納為事件性質(zhì)、阻塞行車道寬度、事件發(fā)生位置、現(xiàn)場(chǎng)行車秩序與上游交通量等五類來(lái)分析交通流系統(tǒng)的平衡狀態(tài)［3］；楊瑩等從實(shí)際事故調(diào)查視頻中獲取數(shù)據(jù)，分析道路使用的基本條件，分析了路段車輛排隊(duì)長(zhǎng)度與事故橫斷面實(shí)際通行能力、事故持續(xù)時(shí)間、路段上游車流量間的關(guān)系，建立車隊(duì)消散模式的理論模型［4］；Shi等則提出了在不同流量組合條件下，交通事故持續(xù)時(shí)間對(duì)道路通行能力的影響［5］；易富軍等以遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，提出了公路隧道群交通事故微觀預(yù)測(cè)方法，對(duì)以任意斷面為中心的單元長(zhǎng)度內(nèi)的交通事故率進(jìn)行合理預(yù)測(cè)［6］。

國(guó)內(nèi)外基于事故對(duì)通行能力的影響有了一定的研究，但具體對(duì)影響通行能力的因素選定，缺乏數(shù)據(jù)分析的理論支持，同時(shí)過(guò)于依賴交通流基本理論而忽略了交通本身存在的不穩(wěn)定性與隨機(jī)性。研究突發(fā)性交通事故對(duì)城市道路通行能力的影響存在很多不確定因素，本文從突發(fā)性交通狀態(tài)局部演變過(guò)程出發(fā)，對(duì)事發(fā)點(diǎn)通行能力的影響因素進(jìn)行總結(jié)，通過(guò)VISSIM微觀交通仿真軟件得出各影響因素與道路通行能力的評(píng)價(jià)值，采用SPSS主成分分析方法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，求得變量因素與輸出值的連接強(qiáng)度權(quán)值W與偏置值B。

1 基于VISSIM交通微觀仿真的數(shù)據(jù)準(zhǔn)備

1.1 假設(shè)

按影響程度事故類型可分為占用1個(gè)車道的交通事故；或者是占用2個(gè)車道的交通事故。事故類型不僅對(duì)路段通行能力的影響明顯，而且在一定程度上增加了交通沖突的可能性。

除了車道與交叉口信號(hào)設(shè)置以及轉(zhuǎn)向車的作用因素外，不考慮路容路況以及其他交通設(shè)施條件的影響。在VISSIM仿真環(huán)境下，當(dāng)車流速度小于5 km·h-1時(shí)即為排隊(duì)開(kāi)始。

假設(shè)事故點(diǎn)的持續(xù)時(shí)間均能立即處理，不會(huì)造成路網(wǎng)癱瘓。

1.2 數(shù)據(jù)準(zhǔn)備

由實(shí)際事故資料可知，影響通行能力評(píng)估指標(biāo)的因素包括事故類型，路段單向車道數(shù)，車道寬度，道路實(shí)際流量，道路通行能力，事故持續(xù)時(shí)間，交通流速度變化情況等，以最大排隊(duì)長(zhǎng)度，平均每車延誤時(shí)間以及停止車輛數(shù)為通行能力的影響評(píng)估指標(biāo)。為了更好的得出交通流離散輸入的特點(diǎn)，在已有的數(shù)據(jù)基礎(chǔ)上，運(yùn)用交通仿真模擬軟件（VISSIM）對(duì)駕駛行為進(jìn)行模擬，得出大量的事故交通行為仿真數(shù)據(jù)：

為了使模型更具真實(shí)性，在原有的數(shù)據(jù)基礎(chǔ)上，運(yùn)用VISSIM 模擬實(shí)際道路路況與駕駛行為心理，得到多組影響因素與評(píng)估指標(biāo)的值。根據(jù)調(diào)查結(jié)果，仿真時(shí)將路段假上的車流分為：小汽車∶公交車＝4∶1，設(shè)車流的VISSIM仿真的前提數(shù)據(jù)如表1所示。

在以上前提下，將車道基礎(chǔ)數(shù)據(jù)按照1，2，3，4條遞增，且每種情況車道寬度均分為3，3.5 m，事故占用車道均為1，2 車道。將最大排隊(duì)長(zhǎng)度、平均每車延誤、停止車輛數(shù)作為數(shù)據(jù)輸出，可得到13組仿真數(shù)據(jù)如表2所示。

表1 VISSIM仿真模擬參數(shù)Tab.1 VISSIM simulation parameters

表2 仿真數(shù)據(jù)Tab.2 The simulation data

2 自變量信度分析與因子分析

為了減少因素選取時(shí)，主觀性評(píng)判的影響，將VISSIM仿真得到的7類影響因素：車道寬度、事故占用車道數(shù)、實(shí)際流量、道路通行能力、速度變化差、持續(xù)時(shí)間、最大排隊(duì)長(zhǎng)度、平均每車延誤時(shí)間以及停止車輛數(shù)進(jìn)行信度分析，并將這7類影響因素通過(guò)主成分分析法進(jìn)行降維處理，科學(xué)化、合理化提取影響因素，最后簡(jiǎn)化為5類作為輸入量，提高BP神經(jīng)網(wǎng)絡(luò)建模的精度。

2.1 信度分析

利用SPSS19.0統(tǒng)計(jì)分件對(duì)交通事故數(shù)據(jù)采集進(jìn)信度與合理性的檢驗(yàn)，分析結(jié)論的有效性，并作為改善修正的根據(jù)［7］。根據(jù)調(diào)查交通流在發(fā)生事故的過(guò)程中到達(dá)和消散均為連續(xù)型，用Cronboch’sα系數(shù)法對(duì)仿真得到的影響參數(shù)進(jìn)行信度檢測(cè)。通常當(dāng)信度檢：0.60～0.65為不可信；0.65～0.70為最小可接受值；0.70～0.80為相當(dāng)好；0.80～0.90為非常好［7］。

Cronboch’sα信度系數(shù)為

其中：K為量表中評(píng)估項(xiàng)目的總數(shù)；為第i個(gè)項(xiàng)目的表內(nèi)方差；σ2x為全部項(xiàng)目總和的方差。

根據(jù)公式（1）得到Cronbach’s的α系數(shù)如表3所示，信度系數(shù)為0.754，標(biāo)準(zhǔn)化后為0.789，于0.70～0.80之間，因此總體上各參數(shù)的內(nèi)在信度是比較理想的。

2.2 因子分析

因子分析的目的是尋求變量的基本結(jié)構(gòu)，簡(jiǎn)化觀測(cè)系統(tǒng)，減少變量維度，首先需要通過(guò)KMO 和Bartlett來(lái)檢驗(yàn)數(shù)據(jù)的有效性。

2.2.1 因子分析的前提條件

因子分析要求變量之間應(yīng)存在較強(qiáng)的相關(guān)關(guān)系，當(dāng)巴特利特球度檢驗(yàn)的統(tǒng)計(jì)量值比較大，且其相對(duì)應(yīng)的相伴概率值小于用戶指定的顯著性水平時(shí)，認(rèn)為適合作因子分析；反之，不適合作因子分析［8］。由表4的KMO 和Bartlett 的檢驗(yàn)可以看出，本次調(diào)查數(shù)據(jù)的KMO 值為0.709，大于0.7，巴特利特球度檢驗(yàn)值為778.372，顯著性為P＜0.001，小于0.05，則表示非常顯著，說(shuō)明變量有較高的相關(guān)性，因此本次調(diào)查數(shù)據(jù)適合做因子分析。

表3 可靠性統(tǒng)計(jì)量Tab.3 Reliability statistics

表4 KMO和Bartlett的檢驗(yàn)Tab.4 KMO and Bartlett′s test

2.2.2 基于主成分分析的因子抽取

主成分分析的基本思想是將原來(lái)眾多的具有一定相關(guān)性的指標(biāo)，重新組合成一組新的互不相干的綜合指標(biāo)來(lái)代替原來(lái)指標(biāo)，用較少的主成分得到較多的信息量［9］。

主成分分析通常是將原始指標(biāo)做線性組合，即將P個(gè)原始指標(biāo)向量X1，X2，…Xp做線性組合，得到綜合指標(biāo)向量

其中：Fi與Fj(i≠j,i,j=1,…,p) 互不相關(guān)，即Cov(Fi,Fj)=0。其中，F(xiàn)1稱為第1主成分，在F1所含信息不足條件下尋找第2主成分F2，第3主成分F3，…，第p個(gè)主成分；a為各個(gè)主因子的相關(guān)系數(shù)。

在提取綜合變量時(shí)，一般要滿足大于70%的貢獻(xiàn)率，經(jīng)過(guò)統(tǒng)計(jì)分析，選取基本特征值為0.8，旋轉(zhuǎn)后，各主成分的特征值及累計(jì)貢獻(xiàn)率如表5所示，提取方法為主成分法。其中，第1主成分主要與車道數(shù)、道路實(shí)際流量以及道路通行能力關(guān)系緊密；第2主成分主要與事故類型（事故所占用車道數(shù)）以及持續(xù)時(shí)間關(guān)系緊密；2個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到77.676%見(jiàn)表6，則表示因子分析的結(jié)果能較好的代替原始變量。

表5 成分矩陣Tab.5 Ingredient matrix

表6 解釋的總方差Tab.6 Total variance of the explanation

3 基于BP神經(jīng)網(wǎng)絡(luò)建模

BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層組成，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，而且能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)。BP神經(jīng)網(wǎng)絡(luò)的工作過(guò)程分成兩階段：一個(gè)階段是學(xué)習(xí)期，各計(jì)算單元狀態(tài)不變，根據(jù)計(jì)算結(jié)果和模型識(shí)別修改各連接權(quán)值；另一階段是工作期，各連接權(quán)值固定，計(jì)算各單元的狀態(tài)變化，以求達(dá)到穩(wěn)定狀態(tài)。

3.1 調(diào)用函數(shù)

將5種主成分影響參數(shù)以及3個(gè)輸出評(píng)估指標(biāo)數(shù)據(jù)分成兩批，85%用于訓(xùn)練，另外15%的仿真數(shù)據(jù)用于預(yù)測(cè)驗(yàn)證其絕對(duì)誤差值。采用各輸入量與權(quán)重值的乘積和作為激活函數(shù)，在強(qiáng)化學(xué)習(xí)訓(xùn)練自適應(yīng)的過(guò)程中先后選用不同的激活函數(shù)模型，反復(fù)調(diào)整學(xué)習(xí)率以及權(quán)值，S形函數(shù)與雙極S形函數(shù)都是可導(dǎo)的（導(dǎo)函數(shù)是連續(xù)函數(shù)），因此適合用在BP神經(jīng)網(wǎng)絡(luò)中。根據(jù)路段交通流的特性，以及調(diào)用的各函數(shù)訓(xùn)練結(jié)果的精確性，并選擇訓(xùn)練效果最好的激活函數(shù)。最終確定隱含層、輸出層激活函數(shù)均選用正切S型tansig函數(shù)［10］

3.2 模型建立

將最大排隊(duì)長(zhǎng)度，平均每車延誤時(shí)間以及停止車輛數(shù)當(dāng)作輸出神經(jīng)元；將事故類型，路段單向車道數(shù)，車道寬度，道路實(shí)際流量，道路通行能力，事故持續(xù)時(shí)間，交通流速度變化作為Input傳入的N個(gè)信號(hào)，經(jīng)權(quán)值W處理后，用線性求和器得到“綜合印象”，再由激活函數(shù)g對(duì)此綜合印象作出非線性反應(yīng)ζ［10］。其中學(xué)習(xí)速率η=0.05；樣本模式為ζj，經(jīng)程序調(diào)試確定系統(tǒng)分為三層，其中中間隱層有15個(gè)節(jié)點(diǎn)，如圖1所示。

借助MATLAB軟件編程，通過(guò)模型的不斷學(xué)習(xí)調(diào)整，將預(yù)測(cè)的評(píng)估指標(biāo)與目標(biāo)值相比較，直到模擬數(shù)據(jù)的方差小于目標(biāo)值10-3，滿足學(xué)習(xí)精度要求，即此模型下所選的參數(shù)值符合要求。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練的結(jié)果方差如圖2所示，經(jīng)過(guò)訓(xùn)練4 450 次后達(dá)到最優(yōu)，誤差值為0.000 999 88。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 The BP neural network structure

圖2 BP回歸神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練結(jié)果方差Fig.2 Output variance of BP regression neural network model

對(duì)輸出的結(jié)果用15%的檢測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，可以看出實(shí)際值與預(yù)測(cè)值的誤差很小，即所選隱層參數(shù)符合精度要求，其中得出4組模擬值預(yù)測(cè)的絕對(duì)誤差為

預(yù)測(cè)值與目標(biāo)值的相關(guān)系數(shù)R=0.999，適應(yīng)度如圖3所示。

圖3 預(yù)測(cè)值與目標(biāo)值的適應(yīng)度Fig.3 Fitness of predicted values and the target value

通過(guò)訓(xùn)練、驗(yàn)證預(yù)測(cè)值，在誤差最小的情況下，可以得到偏置值B以及權(quán)值矩陣W。即事故類型，路段單向車道數(shù)，道路實(shí)際流量，道路通行能力和事故持續(xù)時(shí)間這5個(gè)相關(guān)參數(shù)與3個(gè)通行能力評(píng)估值所對(duì)應(yīng)的連接權(quán)重與偏置值。

在隱含層有15個(gè)節(jié)點(diǎn)的情況下，權(quán)值W與偏置值B矩陣能使得擬合的相關(guān)系數(shù)均R值達(dá)到0.999，與斜率為1的直線非常接近，說(shuō)明基于BP神經(jīng)網(wǎng)絡(luò)的模型建立使得預(yù)測(cè)值與實(shí)測(cè)值吻合良好，能夠準(zhǔn)確地預(yù)測(cè)出五類因素對(duì)路段通行能力的影響。并且各實(shí)際值與預(yù)測(cè)值的絕對(duì)誤差不超過(guò)5%，可見(jiàn)所建立的神經(jīng)網(wǎng)絡(luò)模型具有很高的預(yù)測(cè)精度，能夠充分描述輸入、輸出變量之間的復(fù)雜映射關(guān)系。

4 結(jié)論

在實(shí)地調(diào)查的基礎(chǔ)上，設(shè)定VISSIM 交通微觀仿真的基礎(chǔ)環(huán)境，得到不同參數(shù)值影響通行能力的評(píng)估指標(biāo)；運(yùn)用SPSS主成分分析法進(jìn)行降維處理，將7類影響參數(shù)提取為5類作為輸入量；采用BP算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后得到影響因素與輸出評(píng)估值的連接權(quán)值矩陣W與偏置值矩陣B。在實(shí)際應(yīng)用中只要調(diào)查到路段5類基礎(chǔ)數(shù)據(jù)，通過(guò)激活函數(shù)、權(quán)值矩陣以及偏置值矩陣就能得出對(duì)應(yīng)的通行能力評(píng)估值，為定量化分析交通事故對(duì)道路通行能力的影響提供了手段。采用BP神經(jīng)網(wǎng)絡(luò)模型建立動(dòng)態(tài)交通流模型，調(diào)整離散輸入量，輸出非離散量權(quán)值，相對(duì)于傳統(tǒng)數(shù)學(xué)理論建模的方法能更好的描述突發(fā)性交通事故的運(yùn)行狀態(tài)，并可以通過(guò)學(xué)習(xí)和訓(xùn)練優(yōu)化影響通行能力的權(quán)值。由于VISSIM 的仿真模擬系統(tǒng)本身存在的缺陷，以及SPSS分析法初始數(shù)據(jù)獲取的主觀性，會(huì)對(duì)實(shí)際輸入的參數(shù)帶來(lái)一定影響，后期工作將圍繞基礎(chǔ)數(shù)據(jù)的有效性獲取展開(kāi)進(jìn)一步研究。

[1]SMITH B L,QIN L,VENKATANARAYANA R.Characterization of freeway capacity reduction resulting from traffic accidents[J].Journal of Transportation Engineering,2003,129(4):362-368.

[2]FRANTZESKAKIS J M, IORDANIS D I.Volume-to-capacity ratio and traffic accidents on interurban four-lane highways in Greece[J].Transportation Research Record,1987,1112:29-38.

[3]張海軍,張玨,楊曉光.異常事件下高速道路交通狀態(tài)的分析與仿真[J].交通運(yùn)輸工程學(xué)報(bào),2008,8(2):116-121.

[4]楊瑩,李婷,茹貞,等.交通事故對(duì)城市路面通行能力的影響[J].運(yùn)城學(xué)院學(xué)報(bào),2013,31(5):6-11,20.

[5]SHI J Q, CHENG L.Simulation and analysis of highway traffic accident based on VISSIM[J].Applied Mechanics and Materials,2013,253:1682-1685.

[6]易富君,韓直,鄧衛(wèi),等.遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型在公路隧道群交通事故微觀預(yù)測(cè)中的應(yīng)用[J],交通運(yùn)輸工程與信息學(xué)報(bào),2012,10(1):64-72.

[7]時(shí)立文.SPSS19.0統(tǒng)計(jì)分析[M].北京:清華大學(xué)出版社,2012:231-312.

[8]陳建宏,劉浪,周智勇,等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版,2010,41(5):1967-1972.

[9]張慧.VC++環(huán)境下的BP神經(jīng)網(wǎng)絡(luò)建模和模擬退火優(yōu)化研究[J].電腦與信息技術(shù),2008,16(2):31-33,53.

[10]飛思科技產(chǎn)品研發(fā)中心.基于MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M].北京:電子工業(yè)出版社,2003:97-156.

[11]吳中,邢桂光,方昭,等.基于有序加權(quán)平均算子的信號(hào)交叉口通行能力優(yōu)化算法[J].華東交通大學(xué)學(xué)報(bào),2014(6):34-39.