BP 神经网络在交通工程安全评价中的应用

王 建

(重庆交通大学土木建筑学院，重庆 400074)

0 引言

交通运输业在国民经济中占有很大的比重，随着其不断发展，我国道路安全问题日益突出，对人们的财产和生命带来了严重的威胁。因此制定合理的道路安全管理政策和机制，强化道路安全监管对减少交通事故尤为重要。而建立科学的交通安全评价体系，准确预测道路安全发展趋势是制定交通安全策略和措施很重要的部分［1］。

在现有道路交通安全评价方法中，不能准确反映各因素间的相互关系，因素间权重系数的确定存在很多主观因素。在现有评价指标中大多采用四大指标，即交通事故发生次数、受伤人数、死亡人数、直接经济损失［2］，但随着道路安全评价体系研究的发展，在指标选择上不仅仅限于传统的指标上，对评价方法和模型的建立提出了更高的要求。

本研究主要采用了BP神经网络工具，对平均车速、最大纵坡度等等具体道路安全指标进行了建模分析，并利用训练好的人工神经网络模型对道路安全进行评价。人工智能方法的提出对道路安全评价方法提供了更多的选择和思考，而且通过对道路安全发展趋势的预测，从而为制定交通安全策略和措施提供了科学的理论方向。

1 BP神经网络研究

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，其结构分为输入层、中间层、输出层。

传统的BP神经网络算法是基于对连接权值和阙值的不断修正，其迭代过程可以表示为:

其中，X(k)为神经网络阙值和权值形成的向量;λ为学习速率;F(X(n))为目标函数;·F(X(k))为目标梯度函数;n为迭代次数。但标准的BP神经网络算法主要是针对非线性问题的优化，所以易存在局部极小问题，其收敛速度也慢［3］。为了改善其收敛特性，本文采用自适应学习率调整法进行改进。其迭代过程为:

其中，kinc为学习速率增量因子;kdec为学习速率减量因子;E(n)为网络均方误差;λ为学习速率。其法则为如果权值修正有助于减小误差，说明应该加快学习速率。如果对减小误差没有多大帮助，则应该减慢学习速率。

2 BP网络评价模型及样本分析

1)影响道路交通安全的因素很多，在充分考虑道路条件、人、车、交通环境等因素下，以科学性、系统性、可行性为原则，确定平均车速、连续坡长、平曲线最小半径、交叉口数、大型车比例、桥隧构造个数、最大纵坡度为道路安全评价指标［5］。

2)为了客观表达道路交通的安全性，按交通事故等级，将输出层神经元定为4个，即特大事故、重大事故、一般事故、轻微事故。输入层神经元以上述7个指标为目标量，隐层神经元数目为15个。

3)按照式(1)对输入—输出向量进行归一化处理，将输入值处理到(0，1)区间内。

其中，mmax，mmin为样本数据中各个指标的最大值和最小值;xi为相应指标的第 i个量;t，c均为参数，t=1 －2c，c=0.1。

4)输出神经元数据进行归一后，按照公式(2)对输出值进行加权平均，为其安全评价量化。

其中，y1，y2，y3，y4均为输出神经元输出值;B为安全评价数值，安全评价等级为优、良、差，具体为:

优:0 ＜B≤0.25;良:0.25＜B≤0.5;差:0.5＜B。

根据测试数据进行实例分析，数据见表1。

表1 道路安全指标

将数据归一化后，用训练好的BP神经网络模型进行评价，其结果为:

Y=［0.29，0.872 6，0.14，0.406］，进行反归一运算以后，Y1=［1.427 5，55.047 75，15.55，15.244］，并将 Y 输出数据代入式(2)运算，B=0.44，安全性等级评价结果及误差见表2。

表2 误差分析

其评价结果与实际数据相差不大，总体误差在可接受范围内，评价结果可以接受。

3 结语

道路安全评价指标的合理性和科学性是影响安全评价的一个重要因素。通过实例路段的评价结果证明了可以运用BP神经网络并结合道路线形中的最大纵坡度、连续坡长、平均车速等指标能够对道路安全评价进行量化，其结果具有合理性。

［1］张 巍.基于BP人工神经网络的道路安全评价研究［D］.西安:长安大学，2006.

［2］郭忠印，方守恩.道路安全工程［M］.北京:人民交通出版社，2003.

［3］李晓峰，刘光中.人工神经网络BP算法的改进及其应用［J］.四川大学学报，2000(3):35-36.

［4］史忠植.神经网络［M］.北京:高等教育出版社，2009.

［5］刘运通.道路交通安全指南［M］.北京:人民交通出版社，2004.