深圳市交通事故预测的灰色神经网络模型

朱智雄，钟一兵

（肇庆学院 数学与统计学院，广东 肇庆　526061）

深圳市交通事故预测的灰色神经网络模型

朱智雄，钟一兵

（肇庆学院 数学与统计学院，广东 肇庆526061）

道路交通系统的运行具有较强的非线性和随机性，现采用灰色关联分析方法找出交通事故的主要影响因子；运用灰色系统与BP神经网络模型，结合交通事故主要影响因子进行组合建模，对深圳市的交通事故进行预测.结果表明，组合预测模型的预测精度优于单一灰色GM（1，1）模型．

深圳交通；灰色神经网络；事故预测

0　引言

我国已成为世界上最大的汽车生产和消费国，安全高效的交通系统对我国国民经济的稳定发展具有深远的影响.深圳市是我国改革开放的先锋，同时也是我国拥有汽车最多的城市之一，其交通系统安全高效地运行对社会的稳定发展具有十分重要的意义.通过比较图1和图2可知，在有关部门对交通环境的科学治理下，近年来深圳市在地少车多的情况下仍能保持较低的交通事故发生率.各地交通管理部门应加强对深圳市交通安全管理现状的分析研究，借鉴其科学有效的管理经验，不断提高所在地的交通治理水平.

图1　北京、上海、深圳历年交通事故年发生次数

图2　北京、上海、深圳交通事故造成的直接经济损失

当前预测交通事故模型常用的方法有统计回归分析方法，其中伦敦大学史密德R.J教授的Smeed模型较为典型.当前较为前沿的方法有神经网络模型、灰色系统模型以及组合预测模型等［1］.

1　建模分析

GM（1，1）灰色新陈代谢模型是一种少数据、信息不确定性问题的研究方法.该方法通过挖掘、提取研究对象内“部分”有价值的已知信息，有效实现对研究对象的运行与演化机制的描述和控制.人工神经网络是人工智能的重要分支，其具有强并行处理、容错性、鲁棒性、自适应及自组织能力，并且在复杂的非线性系统中具有较高的建模能力，对数据也具有比较优秀的拟合能力［2］.

综上可知，人工神经网络在非线性数据处理方面具有明显的优势，而GM（1，1）灰色新陈代谢模型在贫数据、短时间序列的预测方面拥有独特的优势，故本文试图运用BP人工神经网络与灰色系统模型进行组合建模，以期能有效提高交通事故预测模型的稳定性和准确性.

1.1灰色新陈代谢模型的建立

第1步：对于原始数列中同类数据进行累加生成，形成新的序列.

设序列X（0）=（x（0）（1），x（0）（2），…，x（0）（n）为某一类原始数据序列，其中x（0）（k）≥0，k=1，2，…，n；x（1）为x（0）的1次累加生成序列，x（1）=（x（1）（1），x（1）（2），…，x（1）（n），其中即

依此类推可得新序列.

第3步：确定预测值：由GM（1，1）模型时间响应式，可解出

1.2模型检验

1.2.1事前检验

要确保模型具有较高的精度，在建立模型前可先对原始数据序列进行可行性分析.设原始序列x（0）=（x（0）（1），x（0）（2），x（0）（3），…，x（0）（n），检验原始数据数列所有点的级比是否都落在区间内.只有当级比ζ（t）落在该区间内，灰色模型才有意义.

1.2.2模型精度检验

检验模型精度的常用3种方法为相对误差检验法、关联度检验法和后验差检验法.

1）相对误差检验法.

2）关联度检验法.

设原始序列为X（0）=（x（0）（1），x（0）（2），x（0）（3），…，x（0）（n），预测值序列为Y（0）=（y（0）（1），y（0）（2），y（0）（3），…，y（0）（n）；则关联系数定义为

3）后验差检验法.

设x（0）为原始序列，x~（0）为相应的预测模拟序列，ε（0）为残差序列，则分别为x（0）的均值和方差；分别为残差的均值、方差，并称c=s2/s1为后验差比值.对于给定的c0＞0，当c＜c0，称该模型为均方差比合格模型.显然均方差c越小越好，s2小而s1大，即残差方差小，原始数据方差大，说明残差集中，原始数据分散.P=P（||ε（k）-ε-＜0.674 5s1）称为小误差概率，对于给定的P0＞0，当P＜P0时，称模型为小误差概率合格模型，其中小概率P越大越好.

常用的精度等级见表1［3］，可供检验模型参考（1级精度效果最好）.

表1　预测精度等级检验表

1.3灰色新陈代谢模型构建

随着时间的推移，新产生的影响因素对整个灰色系统的影响程度，要大于初始时间相关影响因子的影响程度，因此，有必要在预测过程中不断用新数据代替原序列中的历史信息.具体操作方法是将通过GM（1，1）灰色预测模型得到的最新预测值，代入原预测序列x（0）=（x（0）（1），x（0）（2），x（0）（3），…，x（0）（n）中，并去掉该序列中第1个数据x（0）（1），从而得到新的预测序列将其代入GM（1，1）灰色新陈代谢预测模型，得到最新的预测值，依此规则依次替换至完成目标预测.

1.4灰色新陈代谢模型的实证分析

本文中，笔者首先以深圳市交通事故次数作为预测目标，表2是深圳市2001—2012年的交通事故次数［4］.

表2　2001—2012年深圳市交通事故次数

实践表明，当观测值大于4时模型预测精度较好.运用表2数据，将2010—2012年的数据作为预测目标值，选取5～9个观测值，运用灰色新陈代谢的方法进行预测.下面以5个观测值为例：

1）以2005—2009年的事故次数建立原始序列，X（0）=（7 068，4 836，3 384，2 471，1 927）；

2）将X（0）序列代入GM（1，1）模型，并计算出序列中第6个值y（X（0），即2010年的交通事故数值；

3）在原序列末尾加入最新的预测值y（X（0），并去掉原序列中第1个数值，得到新的预测序列X（1），则X（1）=（4 836，3 384，2 471，1 927，y（X（0））；

4）将X（1）作为新的预测序列代入GM（1，1）中，得到新的预测值y（X（1），将其作为2011年的交通事故预测值；

5）重复3）中的替换步骤，得到新的预测序列X（2），并求解2012年预测值y（X（2）；

6）对照原数据中的真实值，并计算预测值的相对误差；

7）6个观测值的预测值之初始序列选择2004—2009年的数据，7～9个观测值的预测序列依次类推，并重复1）～6）步骤.依据上述步骤，得到实验结果，详见表3.

表3　5～7个观测值交通事故次数预测精度表格

通过简单比较上述实验结果易得，当观测值达到7个时数据的预测误差已较小，故可取7个观测值作为灰色新陈代谢模型预测序列.同时从表3可得，随着时间推移，其预测误差明显增大.

1.5BP人工神经网络构建

通过查询深圳市统计局的相关数据，我们选取了2001—2012年深圳市交通系统的相关统计指标：生产总值指数、道路照明灯盏数、深圳户籍机动车数辆、大型汽车数辆、小型汽车数辆、摩托车数辆、机动车总量数辆、交通违法总数量、机动车交通违法数量等共19个统计量.由于样本过多，我们用样本指标对交通事故次数进行灰色关联测试，取得了关联度比较高的样本：生产总值指数（x1）、行人交通违法（x2）、交通违法总和（x3）、道路照明灯盏数（x4）、粤港驾驶员违法（x5）、货车超载（x6）、公共交通客流量（x7）、暂扣机动车（x8）、本地驾驶员违法（x9）、机动车交通违法（x10），详情如表4所示.

表4　统计指标的灰色关联度

上述指标与深圳市交通事故发生次数的关联度均大于0.670，这说明以上统计量与交通事故的发生具有较明显的关联性.

利用GM（1，1）灰色新陈代谢模型预测方法分别对上述10个指标进行5～9个观测值的灰色预测，并得到2010—2012年的对应预测值，结果如表5所示.由于“暂扣机动车（x8）”这一指标5～9个观测值的预测值都无法保证灰色预测检验的精准度，为了保证预测结果的准确性，该指标在后续实验中予以剔除，只保留9个统计指标.

表5　最优预测值

调用MATLAB R2014a中的“nntool”工具箱作为BP神经网络实验平台［5］，选取2001—2009年上述9个指标的相应数据作为BP神经网络模型训练的输入样本，以对应时段的交通事故次数作为输出样本，对神经网络进行训练.通过多次测试选择，得到要获得较好的预测精度，需满足如下条件：网络的隐含层神经元个数为9个；训练函数Training function选取“TRAINSCG”，Adaption learning function函数选取“LEARNGDM”，隐层转换函数选择“TANSIG”，输出层转换函数选择“TANSIG”.此时其总体输入与输出拟合效果较好，总体可决系数R=0.968 82.

将表5的9组GM（1，1）预测值作为已经训练好的BP神经网络的输入值，预测2010—2012年深圳市交通事故次数的预测结果，并与单纯用GM（1，1）灰色新陈代谢模型预测得到的相应数值预测值进行对比，详情如表6所示.

表6　预测值与组合模型预测值比较

2　结论分析

上述实证实验表明，运用灰色关联分析方法可以准确找出深圳市交通事故的影响因素，在预测短期交通事故次数的数值时，单纯采用GM（1，1）灰色新陈代谢模型的误差程度并不明显，但是随着时间跨度的增大，其预测精度大大减低.而通过GM（1，1）灰色新陈代谢模型与BP神经网络进行组合预测，则可以明显提高预测精度，且能避免上述灰色系统的缺陷，达到较为稳定的预测精度.

［1］刘海申.基于和神经网络的组合模型对甘肃省交通事故的分析与预测［D］.兰州：兰州商学院，2011.

［2］韩敏.人工神经网络基础［M］.大连：大连理工大学出版社，2014：1-63.

［3］刘思峰，杨英杰，吴利丰.灰色系统理论及其应用［M］.北京：科学出版社，2014.

［4］深圳市统计局.深圳统计年鉴2013［M］.北京：中国统计出版社，2012.

［5］MATLAB技术联盟，刘冰.MATLAB神经网路超级学习手册［M］.北京：人民邮电出版社，2013：79-193.

The Grey Neural Network in Predicting for the TrafficAccident of Shenzhen

ZHU Zhixiong，ZHONG Yibing
（School of Mathematics and Statistics，Zhaoqing University，Zhaoqing，Guangdong 526061，China）

ractSince the road traffic system runs with strong nonlinearity and randomness，the paper uses the grey correlation analysis to find out its main effect.A combination forecast model has been established to predict the traffic accidents in Shenzhen，combining the grey system and BP neural networks with the main effects.The result shows that the forecast precision of this combination forecasting model is superior to the single gray metabolism grey metabolism model.

ordsTrafficAccident of Shenzhen；grey neural network model；the prediction of accident

TK514

A

1009-8445（2016）02-0004-05

（责任编辑：陈静）

2015-12-18

广东省大学生科技创新培育专项基金资助项目（pdjh2015b0575）

朱智雄（1992-），男，广东韶关人，肇庆学院数学与统计学院2012级学生.

钟一兵（1972-），男，湖南邵阳人，肇庆学院数学与统计学院副教授，博士.