基于BP神经网络的城市道路交通安全评价研究.pdf

第3 4 卷第1 期中国矿业大学学报v 0 1 ．3 4N o ．1 2 0 0 5 年1 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g yJ a n ．2 0 0 5 文章编号1 0 0 0 1 9 6 4 2 0 0 5 0 1 0 0 3 7 0 4 基于B P 神经网络的城市道路交通安全评价研究 杨天军1 ，张晓春2 ，杨晓光1 ，潘汉中3 1 ．同济大学交通运输工程学院，上海2 0 0 0 9 2 ； 2 ．东南大学交通学院，江苏南京2 1 0 0 9 6 ； 3 ．公安部交通管理科学研究所，江苏无锡2 1 4 1 5 1 摘要在综合分析国内外交通安全评价研究的基础上，针对我国城市道路交通安全的现状及存 在问题，提出了采用基础数据、交通安全管理、公众安全评价3 个方面共1 3 项指标组成的面向城 市交通安全可持续发展的评价指标集，构建了基于B P 神经网络的评价模型，并结合算例详细分 析了其计算方法．该方法对于提高交通管理部门的管理和决策水平具有指导作用． 关键词交通安全；B P 神经网络；安全评价 中图分类号U1 2文献标识码A R e s e a r c ho nt h eE v a l u a t i o no fC i t yR o a d T r a f f i cS a f e t yB a s e do nB PA r t i f i c i a lN e t w o r k Y A N GT i a n j u n l ，Z H A N GX i a o c h u n 2 ，Y A N GX i a o g u a n 9 1 ，P A NH a n z h o n 9 3 1 ．S c h o o lo fT r a n s p o r t a t i o nE n g i n e e r i n g ，T o n g j iU n i v e r s i t y ，S h a n g h a i2 0 0 0 9 2 ，C h i n a 2 ．T r a n s p o r t a t i o nC o l l e g e ，S o u t h e a s tU n i v e r s i t y ，N a n j i n g ，J i a n g s u2 10 0 9 6 ，C h i n a ； 3 ．I n s t i t u t eo fT r a f f i cM a n a g e m e n tS c i e n c eo fP o l i c eM i n i s t r y ，W u x i ，J i a n g s u2 1 4 1 5 1 ，C h i n a A b s t r a c t B a s e do ns y n t h e t i c a l l ya n a l y z i n gr e s e a r c hd a t aa th o m ea n da b r o a do nt h et r a f f i cs a f e t y e v a l u a t i o n ，A i m i n ga tt h es t a t u sa n dp r o b l e m so ft h ec i t yt r a f f i cs a f e t ym a n a g e m e n to fC h i n a ，a n e v a l u a t i o ni n d e x e ss y s t e mi sa d v a n c e df o rt h ec i t yt r a f f i cs a f e t yc o n t i n u a b l ed e v e l o p i n g ，w h i c h c o n s i s t so f13v a l u e sc o m i n gf r o mf o l l o w i n gt h r e ep a r t s ，i n c l u d i n gb a s i cd a t a ，t r a f f i c s a f e t y m a n a g e m e n tv a l u ea n dv a l u eo fp u b l i c s a f e t ya s s e s s m e n t ．I na d d i t i o n ，a ne v a l u a t i o nm o d e Ib a s e do n t h eB Pa r t i f i c i a ln e t w o r ki Sd e s i g n e d ．C o m b i n i n gw i t he v a l u a t i o ne x a m p l e ．t h ec a l c u l a t i o nm e t h o d r e a l i z e db ys o f t w a r ei Sa n a l y z e di nd e t a i l ．T h er e s u l t ss h o wt h a tt h ee v a l u a t i o nm e t h o di Su s e f u la n d s i g n i f i c a n tt oi m p r o v et h em a n a g e m e n ta n dd e c i s i o n m a k i n go ft h et r a f f i cm a n a g e m e n td e p a r t m e n t ． K e yw o r d s t r a f f i cs a f e t y ；B Pa r t i f i c i a ln e t w o r k ；s a f e t ye v a l u a t i o n 随着城市化进程的加快，我国许多城市的规模 不断扩大，随之而来引起了许多城市问题．由于城 市交通堵塞、交通秩序混乱而造成的交通事故频繁 就是其中比较突出的问题之一[ 1 ] ．如何客观地评价 城市的交通安全性一直是人们关心的问题． 目前国内对交通安全的评价方法大致可以分 为2 类概率数理统计方法和强度分析法．概率数 理统计法中包含事故绝对数法、事故率法等，这种 方法在统计上简单易行，不足之处是对事故的分析 过于简单，没有考虑到不同道路交通条件的差别， 使得评价结果往往缺乏科学性和说服力．在强度分 析法中往往采用万车死亡数、1 0 万车死亡数、亿车 k m 事故数等指标，这些指标由于加入了相对参照 数据，使得不同道路指标间的比较更趋科学合理． 收稿日期2 0 0 4 0 6 1 5 基金项目国家自然科学基金项目 7 0 1 2 2 2 0 1 ；公安部交通管理科学研究所项目 0 4 2 2 0 作者简介杨天军 1 9 7 5 一 ，男，河南省焦作市人，博士研究生，从事系统工程研究． 万方数据 3 8 中国矿业大学学报 第3 4 卷 其不足之处是指标值考虑因素过少，而事故本身是 多种因素作用的结果，其次以一个单一的指标值作 为评价依据，可信度不够高． 1 9 9 8 年，张苏提出了中国交通冲突技术 C h i n e s eT r a f f i cC o n f l i c tT e c h n i q u e ，简称 C T C T [ 2 ] ，建立了符合我国交通及冲突环境的冲 突判别T A C T i m et oA c c i d e n tC h i n e s e 标准，但这 种方法操作起来比较复杂．从2 0 0 0 年起由公安部 与建设部组织全国各级城市进行“畅通工程”的建 设，规范了城市交通的秩序，取得了较好的效果，并 在一定程度上抑制了交通事故的发生，但仍存在不 少问题． 国外对于交通安全的研究也大多集中在上述 2 类．除此之外，还出现了比较新颖的方法，其中以 美国学者伯金斯等人提出的交通冲突技术 T C T 最为引人注目，但这种方法需要一定的辅助技术， 对交通冲突的观察比较复杂，实现起来相对比较困 难．A ．S ．H a k k e r t 提出了C A R T t h eC l a s s i f i c a t i o n a n dR e g r e s s i o nT r e e 法口3 来分析城际间主要道路 的安全等级，该方法用二进制树的结构来详细解释 道路安全和变量之间的关系，由于所研究的变量和 道路条件有限，只具备一定的代表性． 本项研究旨在针对城市交通安全状况，建立城 市交通安全综合评价指标集和评价模型，使用评价 结果指导城市交通规划、管理、设计等，促进城市交 通安全环境的可持续发展． 1基于B P 神经网络的城市交通安全评价 模型的建立 交通事故产生是多方面原因造成的，包括城市 交通路网、路况和布局、交通安全设施、车辆、驾驶 员、行人、交通法规、环境等．鉴于神经网络技术在 其它领域的成功应用，提出用人工神经网络方法进 行城市交通安全性评价的基本思想．人工神经网络 具有与人脑神经网络某些相似的特性，如自学习、 自组织、非线性动态处理、分布式知识存储和联想 记忆等，为研究和处理具有不确定性的现象提供了 强有力的工具． 影响城市交通安全的因素众多，关系复杂，数 据干扰大，因素的测度难以确定，所有这些安全性 评价的特性正是人工神经网络研究对象所具有的 特点，因此用人工神经网络方法进行城市交通安全 性的评价是完全可行的． 1 ．1 评价指标体系的建立 影响交通安全的指标很多，而要把众多指标综 合到一起，就必须考虑指标的自身特征、指标间的 逻辑关系、指标的权值和指标的量化处理等问题， 否则，就无法进行综合，也就失去了交通安全综合 评价的合理性和真正价值n ] ． 影响城市道路交通安全等级指标定为3 个基 础数据指标、交通安全管理指标y 。、公众安全评价 指标．y 3 ．上述3 个一级指标又可分成若干次一级 指标，所有指标共1 3 顼，如表1 所示．进行城市道 路交通安全等级的分类评价，还需对城市道路交通 安全程度进行分类，建立城市交通安全等级评价集 u ．本文将城市道路交通安全的等级分为4 类，如 表2 所示． 表1 城市道路交通安全影响因素样本指标体系 T a b l e1T h es a m p l ei n d e xs y s t e mo fi n f l u e n c i n g f a c t o r so fc i t yr o a dt r a f f i cs a f e t y 一级指标Y i 基础数据指标交通安全管理指标公众安全评价指标 j ，ly 2y 3 级 指 标 j 1 蠢徽垂茎变黧篓 篓搿箍薰蕊萋⋯⋯ 菱纛蘸麟r 始舭1 3 这里需要指出的是二级指标还可以继续化分 为三级指标嘲，如公众安全感由下一级若干指标组 成，即z 。。一{ 交通流条件、气候条件、地理位置、路 网结构、噪音、大气污染、⋯ ，可以通过问卷调查得 到该项指标值． 表2 城市道路交通安全等级分类表 T a b l e2 T h er a n ks c h e m eo fc i t yr o a dt r a f f i cs a f e t y 1 ．2 城市道路交通安全评价模型 影响城市交通安全因素的样本指标，可采用专 家打分的综合评定方式确定，即有利于城市交通安 全的因素评为正分，反之评为负分． 在城市道路交通安全评价的实际应用中，采用 神经网络技术中的B P 网络算法进行学习和预 测[ 引．根据上述已经确定的安全判定指标y 一 y t ， y ”y 。 或X 一 z ，，z ，z 3 ，．一，z 。。 与安全等级判定 集u 一 “，，U 2 ，“。，“。 ，采用B P 算法可建立城市道 路交通安全评价模型，如图1 所示． 图1 中的输入层有3 个节点，输入判别指标体 万方数据 第1 期 杨天军等基于B P 神经网络的城市道路交通安全评价研究 3 9 系中3 个一级指标各自评定结果，隐蔽层节点数可 选择，实际学习和预测过程中有一定的经验性；输 出层包含4 类基本的输出神经元，即“。，“。，U 。，孙 输出层在预测过程中给出结果． 输出层 隐蔽层 输入层 图1城市道路交通安全评价模型 F i g ．1 E v a l u a t i o nm o d e lo fc i t yr o a dt r a f f i cs a f e t y 1 ．2 ．1网络学习过程 学习样本采用专家对国内部分城市交通安全 状况分类研究时所采用的样本和分类成果．对所建 立的网络模型，网络各层的节点均设计成S i g m o i d 型非线性阈值单元，激励函数为 厂 z 一再暑． 1 用B P 算法训练网络，进行样本学习，当式 2 成立时，学习过程结束． 一专莩‘％一痧∥≤‰N ， 2 E 一∑E e ≤￡A N N ， 3 式中e A N N 为误差临界值；B 为用第k 样本学习网 络获得误差向量；仉，为用第k 样本学习，网络j 输 ● 出节点的实际输出；U ；，为J 输出节点的样本k 的 期望输出． 若式 2 不满足，则误差沿原来的路径逆向传 播，按梯度下降法逐层修正网络的权值和阈值． A W ，， ￡ 1 一7 1 a j O 女， a A W 。 f ， 4 △e t i ￡ 1 一1 7 d i Q △e i Q ， 5 式中t 为迭代步骤；7 为学习收敛率，7 ∈ 0 ，1 ；口 为修正率㈣为节点J 的偏差，可用下式得到． { o k ， 1 一％ U k j U t ， ，输出层 ’ l O k j 1 一O , j ∑％Ⅳ。． 隐蔽层 L m 。 A W ，， ≠ 1 为网络学习经过￡ 1 步时的权值 修正量；A 舅， 抖1 为节点在网络学习f 1 步时的 阈值修正值． 1 ．2 ．2 评价过程 待评价城市道路交通安全等级的各指标判定 结果 分值 ，或Y 7 一 撕，Y ，岁 作为网络输入，利 用前述样本学习获得的稳定权值和阈值对输入的 某个城市指标进行评价，评价过程是正向计算各层 节点的输出．某层节点的输出为 0 i 南，n e ￡ 一∑W 。0 ， O j ． 6 对输出层有U O i ，其中u 为城市道路交通 安全等级评价集，由此，U ；一 甜，蹦；，甜，扰 ，即为评 价结果． 根据建立的神经网络模型，利用M A T L A B 中 B P 算法函数m ，编制了具有自学习、自组织功能的 智能分类程序． 2 算例 2 ．1城市道路交通安全等级分类模型的训练 本文选取1 2 个样本 城市 ，按表l 所示的3 个一级指标将城市道路交通安全性分成了表2 所 示的4 类．将4 类样本的期望输出值依次设置为 “0 ．9 ，0 ．1 ，0 ．1 ，0 ．1 ” I 类 ；“0 ．1 ，0 ．9 ，0 ．1 ，0 ．1 ” Ⅱ类 ；“0 ．1 ，0 ．1 ，0 ．9 ，0 ．1 ” Ⅲ类 ；“0 ．1 ，0 ．1 ， 0 ．1 ，0 ．9 ” I V 类 ．神经网络的隐蔽层为1 层，含6 个节点，训练迭代次数为40 0 0 次，收敛度达 0 ．0 0 16 ，经过学习，网络完全识别了所给的学习样 本，建立了判别因素与城市道路交通安全等级之间 的复杂映射关系，见表3 所示，误差曲线见图2 所 示． 表31 2 个学习样本训练网络结果 T a b le3R e s u lt so f12s t u d ys a m p le st r a i n i n gn e t w o r k 城市编号 类别 I 类0 ．8 6 45 0 ．8 6 57 0 ．8 6 45 I 类0 ．1 0 02 0 ．17 06 0 ．】7 09 Ⅲ类0 ．0 9 99 0 ．0 1 03 0 ．0 9 97 Ⅳ类0 ．0 9 99 0 ．1 0 01 0 ．1 0 14 神经网络学习结果 0 ．0 9 790 ．0 7 84 0 ．0 9 790 ．0 7 84 0 ．0 9 770 ．0 7 85 0 ．9 9 290 ．1 0 07 0 ．9 2 190 ．3 7 18 0 ．9 1 l9 0 ．3 7 20 0 ．9 9 21 0 ．8 9 87 0 ．0 9 960 ．4 1 23 0 ．8 7 610 ．8 9 87 0 ．1 0 000 ．1 0 00 0 ．1 0 00 0 ．1 0 03 0 ．1 0 080 ．1 0 00 城市1 城市2 城市3 城市4 城市5 城市6 城市7 城市8 城市9 城市1 0 城市1 1 城市1 2 0 ．1 0 01 0 ．1 0 06 0 ．1 0 01 0 ．1 0 00 0 ．0 9 94 0 ．0 9 95 0 ．1 0 00 O ．】0 l0 0 ．1 0 00 0 ．9 0 ll 0 ．9 0 00 0 ．9 0 06％一∞蛎踮拍弱弘撕孙∞ n一∞∞∞∞∞∞∞∞o o 塑。。。。。，。。∞n地 万方数据 4 0中国矿业大学学报第3 4 卷 迭代次数 图2 网络训练过程误差记录曲线 F i g ．2 T h ee r r o rc u r v eo fn e t w o r kt r a i n i n gc o u r s e 2 ．2 某城市交通安全等级评价 某城市交通安全评价一级指标打分评判结果 为Y 。 { ．0 ，2 5 ，一5 ．将3 个指标判定结果作为训 练后的神经网络的输入，进行交通安全等级评价， 得到的最后结果为“0 ．1 0 46 ，0 ．1 0 2 0 ，0 ．0 9 87 ， 0 ．9 0 00 ”，属于I V 类，根据该评价结果，在今后的城 市交通安全管理中采取有效措施，减少交通事故和 财产损失．‘ 3 结论 提出了面向城市交通安全可持续发展的评价 指标集，应用神经网络技术建立城市道路交通安全 评价模型，采用M A T L A B 软件编制了具有自学习 功能的智能化评价软件，用B P 神经网络进行城市 道路交通安全评价，其学习样本集规模及代表起关 键作用，通过大量样本的训练，对“未知”样本的神 经网络模型的评价具有较高的准确性．理论分析与 算例的结果表明，该评价方法是可行的和有效的， 为解决城市道路交通安全评价中的不确定性、模糊 性、动态复杂性提出了一条新的途经，同时避免建 立复杂的数学模型描述非线性关系所遇到的困难， 能够系统综合评价一个城市的交通安全水平．评价 方法中所选学习样本集和学习样本代表对评价的 结果影响较大，是今后应用该方法时要认真考虑的 两个因素． 参考文献 [ - 1 3 张之勇．城市道路交通安全管理研究[ D ] ．成都西南 交通大学交通运输学院，2 0 0 3 ． E e l 张苏．中国交通冲突技术[ M ] ．成都西南交通大学 出版社，1 9 9 8 ．卜3 ． [ 3 ] A l f r e dSH ．L e v e l so fs a f e t yo ni n t e r u r b a nr o a d s E M ] ． W a s h i n g t o n N a t i o n a la c a d e m yp r e s s ，1 9 9 6 ．9 5 1 0 2 ． [ 4 ] 程卫民．安全综合评价中的若干问题及其改进方法 [ J ] ．中国安全科学学报，1 9 9 9 ，9 4 7 5 7 8 ． C h e n gWM ．S o m ep r o b l e m s a n dt h e i rs o l v i n g m e t h o d si nc o m p r e h e n s i v es a f e t ye v a l u a t i o n [ J ] ．C h i n a S a f e t yS c i e n c eJ o u r n a l ，1 9 9 9 ，9 4 7 5 7 8 ． [ 5 ] 王春昱．道路交通安全研究I - D ] ．石家庄河北工业大 学土木工程学院，2 0 0 2 ． [ 6 ] 王洪德，狄英全，肖佳新．用B P 算法实现待开采煤层 自然发火危险性预测[ J ] ．辽宁工程技术大学学报， 2 0 0 2 ，2 1 3 2 8 1 2 8 3 ． W a n gHD ，D iYQ ，X i a oJX ．U s i n gB P ’sa l g o r i t h m t or e a l i z et h ef o r e c a s t o fn a t u r a li g n i t i o nd a n g e r o u s n a t u r eo ft h ec o a ls e a mt Ob em i n e d [ J ] ．J o u r n a lo f L i a o n i n gT e c h n i c a lU n i v e r s i t y N a t u r a lS c i e n c e ， 2 0 0 2 ，2 1 3 2 8 1 2 8 3 ． [ 7 ]从爽．M A T L A B 工具箱的神经网络理论与应用 [ M ] ．合肥中国科学技术出版社，2 0 0 3 5 5 7 0 ． 责任编辑骆振福 万方数据