基于灰色BP神经网络的道路交通事故车型分担率预测及其预防策略研究*

胡立伟 张 婷 郭凤香 陈 政

(昆明理工大学交通工程学院 昆明 650500)

0 引 言

我国国家统计局提供的数据显示，自2006—2015年，我国民用汽车保有量已从3 697.35万辆增长到了16 284.50万辆，随之而来的是交通拥堵现象加剧，交通事故增多，研究道路交通事故中不同车型的事故分担率可以探讨交通事故发生于车辆类型间的关系，进而得出相应的治理策略.

目前，在道路交通事故预测方面国内外都已提出了许多研究方法，主要有回归模型法、时间序列法、灰色模型预测法以及神经网络预测法等.Hosse等[1]采用灰色系统理论，预测了德国直到2025年道路交通事故的发展情况；Bezuglov等[2]研究了三种灰色系统理论模型对短期交通速度和行程时间预测，得到了较为理想的预测结果.李娟等[3]通过对现有交通事故数据统计分析，建立了基于BP神经网络的交通事故预测模型，并达到了较理想的预测精度；詹伟等[4]建立了高速公路隧道群的交通事故灰色预测模型，并进行了改进优化，提高了预测精度；葛丽娜[5]通过研究对比三种不同的灰色神经网络组合模型与单一模型预测精度及其稳定性，发现组合模型的预测结果优于单一模型.

当前国内外研究主要针对道路交通事故预测进行研究，较少涉及交通事故车型分担预测，而事故车型分担率预测对有效控制、减少交通事故的发生是必要的，本文在分析云南省2010—2015年7 954条道路交通事故数据的基础上，分析云南省涉事车型特点及其事故车型分担率影响因素，运用灰色BP神经网络组合预测模型，对公路交通事故车型分担率预测，并提出相应的预防策略.

1 公路交通事故车型分担率分析

公路交通事故车型分担率是指在一段时期内所有交通事故中不同车型的事故率，将车辆分为机动车和非机动车，其中，机动车主要包括小汽车、客车、货车、有轨电车、电瓶车、挂车、专用机械车、拖拉机、农用运输车等.本文根据云南省2010—2015年道路交通事故数据中交通事故常见车型从小轿车、客车、货车、摩托车和其他车型进行其事故分担率分析.

根据交通根据云南省2010—2015年间道路交通事故数据，得到不同涉事车型的分布情况，见图1，各车型事故分担率多项式曲线拟合模型见表1.由图1可知，摩托车、货车、客车及小汽车是云南省交通事故主要的涉事车型，事故分担率高达90%.其中，事故分担率最高的是摩托车，平均事故分担率为37.6%左右，其次是货车，平均事故分担率为25.6%；小轿车和客车的事故分担率分别为15%左右.

图1 云南省2010-2015年常见涉事车型事故分担率

涉事车型拟合公式R2小汽车y=0.073 5x3-0.913 7x2+4.325 6x+6.743 30.660 2客车 y=0.2687x3-3.488 2x2+14.6x-4.383 30.936 2货车 y=-0.461 9x3+5.1684x2-18.198x+44.8170.633 7摩托车y=0.203 4x3-1.502 2x2-0.144 2x+45.8970.448 7其他 y=-0.083 8x3+0.735 8x2-0.583 3x+6.926 70.958 9

在云南省，摩托车的经济性使其成为大多数人的出行代步工具，摩托车保有量一直远高于其他车型，而对于摩托车的管理力度不足，驾驶人安全意识薄弱等原因导致近年来摩托车一直是云南省事故分担率最高的车型.

由于云南省地形特殊，南北高差大，道路设计时存在许多连续纵坡的线形设计，在经过此类路段时，相比其他车型，货车的爬坡性能明显下降，因此,易出现频繁超车现象；而连续下坡路段，货车需长时间制动，严重影响其制动效能，产生“热衰退”现象[6]，更易发生交通事故.对于货车的管理不足，超载超速问题严重也是货车交通事故分担率较高的原因.

2 道路交通事故车型分担影响因素分析

目前，国内外在交通事故方面的研究更多倾向于微观因素的研究，较少从宏观层面入手.本文通过分析经济发展水平、人口、车辆保有量、道路条件等宏观因素，找出其与道路交通事故车型分担率之间的内在联系.

1) 人均生产总值与涉事车型保有量 人均生产总值与涉事车型保有量有着密切的联系，而不同车型随人均生产总值的增长呈现不同的增长状态，见图2.由图2可知，以云南省为例，摩托车保有量一直处于随人均生产总值快速增长的阶段；在人均生产总值达到25 000元以上时，小汽车和客车保有量增长速度明显提升；而货车及其他车型保有量处于一种相对稳定的微增长状态.

2) 人均生产总值与交通事故车型分担率 云南省交通事故车型分担率呈现一个波动的状态，随人均生产总值的增加，千人汽车保有量越多，国家更加注重交通安全问题的管理和改善，摩托车和货车的交通事故车型分担率呈波动下降，小汽车、客车及其他车型交通事故分担率缓慢增加见图3.

图3 事故车型分担率与人均生产总值关系图

3) 每公里车辆数与交通事故车型分担率 千人汽车保有量侧重于反映车辆需求对交通安全的影响，而每公里车辆数则侧重于表明车辆在道路上的密集程度.小汽车的交通事故分担率在每公里小汽车车辆数增加到6辆时达到最高，随后小幅下降后呈现一个相对稳定的微增长趋势；客车的交通事故分担率在每公里客车车辆数增加到5辆时达到最高，之后呈现一个平稳的状态；摩托车在更严格的政策管理下交通事故车型分担率呈波动下降；在2010—2015年间，货车和其他车型每公里车辆数增长不明显，货车的交通事故分担率明显大幅下降，而其他车型交通事故分担率缓慢增加.

3 道路交通事故车型分担率预测模型与验证

BP神经网络具有很强的自学习、自适应能力，能多输入多输出实现数据的并行处理，灰色模型预测的结果比较稳定，在数据量较少时也能得到较为准确的预测结果，其中常用的GM(1,1)模型是单序列一阶线性微分方程，不具备BP神经网络的自学习、自适应的优点，对非线性信息也没有较好的处理能力.由此可见，灰色预测模型和BP神经网络预测模型可进行优势互补，克服两种预测方法的局限性，从而提高预测精度.本文主要对灰色预测模型和BP神经网络的组合模型进行探讨，提高对交通事故车型分担率预测的精度.

通常，根据灰色预测模型和BP神经网络预测模型结合的不同方式及数据处理的不同方法，将灰色BP神经网络分为3种：并联型、串联型、嵌入型[7].本文结合云南省2010—2015年道路交通事故数据分别采用灰色预测、神经网络预测及三种灰色BP神经网络结合方法预测道路交通事故车型分担率，并对比选出最优模型.

3.1 单纯GM(1,1)预测模型

本文中道路交通事故车型分担率数据波动性较大，缺乏规律，使用传统的灰色预测模型预测结果精度不高，因此，通过引入缓冲算子消除外界对原始数据的随机干扰，对灰色预测模型进行改进，使数据规律性得到应有的呈现[8].模型基本结构见图4.

图4 GM(1,1)模型基本结构图

当原始数据为非负的数据序列时，选择平均弱化缓冲算子处理原始数据序列，能提高其光滑性，亦有利于提高预测模型的精度.具体构造如下：

设原始数据序列为

X(0)=(x(0)(1),x(0)(2),…,x(0)(n))

(1)

对应缓冲算子D1，X经过D1作用后有

X(0)D1=(x(0)(1)d1,x(0)(2)d1,…,x(0)(n)d1)

(2)

3.2 单纯BP神经网络预测模型

Hecht-Nielson提出了在任意闭区间内，都可以用一个隐含层的BP网络来逼近一个连续函数[9]，即任意的n维到m维的映射可以通过一个三层的BP网络来完成.本文采用误差反向传播学习法训练BP神经网络，BP神经网络训练流程见图5.本文选用含有一个隐层的BP网络，输入层神经元个数为三个，指标分别为云南省人均生产总值、各涉事车型保有量、每公里车辆数；输出神经元个数为一个，即道路交通事故车型分担率；经MATLAB试验得出，隐层神经元个数为七个，隐层的转换函数采用tansig函数，选择traingdx函数作为训练函数，输出层神经元转换函数采用logsig函数，设置神经网络的最大学习次数为50 000次，学习速率为0.05，学习目标取误差平方和为0.1，设置网络连接权的初始值为[-1,1]的随机数.

图5 BP神经网络训练流程图

3.3 并联型灰色BP神经网络预测模型

并联型灰色BP神经网络的基本流程是：分别采用GM(1,1)模型、BP神经网络对目标进行预测，经一定的方法(如算术平均法、调和平均法等)将两种预测结果组合，从而得出组合模型的预测结果，结构图见图6.

图6 并联型灰色BP神经网络结构图

算术平均法、调和平均法计算公式为

(3)

(4)

引用有效度的计算方法确定两种预测模型的加权系数[10].具体如下：

(5)

At为组合预测的精度序列，该序列的均值E与均方差σ分别为

(6)

有效度为

m=E(1-σ)

(7)

将有效度m归一化后即可得到加权系数

(8)

根据GM(1,1)模型和BP神经网络模型的预测值和实际值计算得出有效度分别为m1=0.973 9，m2=0.951 7，两种模型的加权系数分别为q1=0.505 8，q2=0.494 2.

3.4 串联型灰色BP神经网络预测模型

串联型灰色BP神经网络是将使用GM(1,1)预测模型的预测结果，作为BP神经网络的输入值进行组合.本文中采用基于平均弱化缓冲算子改进的GM(1,1)模型对BP神经网络中各输入值进行预测，采用BP神经网络输出道路交通事故车型分担率的预测值，见图7.

图7 串联型灰色BP神经网络结构图

调用MATLAB中BP神经网络工具箱函数，设计编程训练网络，预测结果见表2.

3.5 嵌入型灰色BP神经网络预测模型

嵌入型灰色BP神经网络是以BP神经网络为基础，在神经网络模型前添加一个“灰化层”，即使用灰色模型累加的方法对原始数据序列进行处理，还原数据的规律性，加快BP神经网络模型的学习效率，经神经网络模型预测后，通过“白化层”恢复预测数据序列，其原理见图8.

图8 嵌入型灰色BP神经网络结构图

3.6 模型对比及验证

本文通过对云南省2010—2014年的交通事故相关数据统计处理，分别用单一的GM(1,1)模型、BP神经网络模型及三种组合模型预测2015年云南省道路交通事故车型分担率，预测结果见表2，各模型预测结果的相对误差见表3.

表2 云南省2015年事故车型分担率预测结果

表3 各模型预测结果的相对误差

由表2～3可知，经过改进的GM(1,1)模型和及灰色BP神经网络组合模型相比单纯的BP神经网络模型具有更优的预测精度及误差稳定性，其中串联型灰色BP神经网络模型预测值与实际值的相对误差基本控制在2%以内，预测结果最优，满足精度要求.因此，选用串联型灰色BP网络模型对云南省2017—2020年公路交通事故车型分担率进行预测，结果见图9.

图9 云南省2017-2020年公路交通事故车型分担率预测结果

由图9可知，摩托车的事故分担率将大幅下降，货车的事故分担率趋于平稳，小汽车和客车逐年增长.随着经济的发展，生活水平提升，居民出行增加，小汽车逐渐代替摩托车出行，尽管相关政策在一定程度上减缓了小汽车增长的趋势，但小汽车的事故分担率依然不断增长，客、货车辆等大中型车辆在长途运输过程中，由于云南省道路地形复杂，道路坡度大、隧道多等因素更易造成交通事故.

4 预防策略

1) 加强小汽车管理.小汽车事故分担率将不断增长，因此对小汽车加强管理，控制其事故发生率是非常必要的.可借鉴其他城市的管理办法，对小汽车实行限号、限购管理；倡导市民使用公交出行；规范管理新出现的共享汽车，严禁交通违法行为.

2) 规范非机动车、摩托车管理.尽管摩托车事故分担率呈现大幅下降的趋势，但若疏于管理，摩托车造成交通事故的损失仍不容小觑.加强摩托车管理规范，严禁摩托车超载、超速行为，在市区禁限摩托车出行等；同时规范电动车出行，出台共享单车具体管理办法，改变非机动车无序的交通状态.

3) 加强大型客、货车辆的管理.客车的事故分担率呈现增长趋势，且客车发生事故造成的人员伤亡、财产损失都大于其他车型，货车的事故分担率趋于平稳，因此对客、货车辆都需要进一步管控，对客车、货车等营运车辆强制安装GPS系统、行车记录仪、限速报警装置等，实行实时监控管理，严禁超载、超速违法行为，管控驾驶人行车过程中打电话、疲劳驾驶等不良驾驶行为.

5 结 论

1) 构建基于缓冲算子的GM(1,1)模型，利用平均弱化缓冲算子消除原始数据序列的随机干扰，还原数据序列的规律性，能有效提高模型的预测精度.

2) 灰色BP神经网络组合模型相比单纯的BP神经网络模型具有更优的预测精度及稳定性，其中串联型灰色BP神经网络模型最优，可运用到道路交通事故车型分担率预测中.

3) 根据交通事故车型分担率预测结果，查找交通事故隐患，对不同车辆实行不同的管理策略，改善交通安全问题，降低交通事故率.

参考文献

[1] HOSSE R S, BECKER U, MANZ H. Grey Systems theory time series prediction applied to road traffic safety in Germany[J]. IFAC-PapersOnLine, 2016,49(3):231-236.

[2] BEZUGLOV A, COMERT G. Short-term freeway traffic parameter prediction: application of grey system theory models[J]. Expert Systems with Applications, 2016,62:284-292.

[3] 李娟,邵春福.基于BP神经网络的交通事故预测模型[J].交通信息与安全,2006,24(2):34-37.

[4] 詹伟,吕庆,尚岳全.高速公路隧道群交通事故灰色马尔可夫预测[J].吉林大学学报(工学版),2014,44(1):62-67.

[5] 葛丽娜.基于灰色神经网络的交通事故预测方法研究[D].锦州:辽宁工业大学,2015.

[6] 胡立伟,李耀平.典型交通设施对道路交通事故致因影响分析[J].武汉理工大学学报(交通科学与工程版),2014,38(1):98-102.

[7] 陈淑燕,王炜.交通量的灰色神经网络预测方法[J].东南大学学报(自然科学版),2004,34(4):541-544.

[8] 叶璟,李炳军,刘芳.弱化缓冲算子对GM(1,1)模型的预测效应及适用性[J].系统工程理论与实践,2014,34(9):2364-2371.

[9] HECHT N R. Theory of the backpropagation neural network[J]. Neural Networks for Perception, 1992,1(1):65-93.

[10] 张令刚,牛德宁,孟兆民.基于预测有效度的组合模型在交通量预测中的应用[J].道路交通与安全,2010(1):24-27.