基于灰色理论和神经网络的道路交通事故预测研究

道路交通事故预测是道路交通安全研究的一项重要内容，它的目的是为了掌握交通事故的未来发展状况，对交通安全措施的可行性和实施效果进行合理评价，有效地控制各影响因素，达到减少交通事故的目的。道路交通系统的非线性、随机性、动态性以及不确定性特点，决定了作为道路交通系统行为特征量的道路交通事故的预测的复杂性，在分析现有道路交通事故宏观预测模型和方法的基础上，本论文构建了适应道路交通系统多属性特点的道路通事故预测模型：灰色预测模型、神经网络预测模型、灰色神经网络组合预测模型。 灰色预测模型GM(1，1)最大的特点就是算法简单、可利用较少数据建模。这给建模和运算带来了方便，但是灰色预测模型对于具有波动性的系统来说预测的效果不是很理想，而且预测的准确率会随着时间的外推而逐渐降低。本论文针对基本GM(1，1)模型应用的局限性，对之进行了改进，建立了三种改进灰色预测模型：最优初始值的新陈代谢模型、无偏GM(1，1)模型、灰色马尔可夫模型，以提高灰色预测模型在道路交通事故预测中的实用性与预测精度。神经网络对于非线性系统的预测具有良好的性能，但是在对网络进行训练时，往往需要大量的数据。本文以灰色预测模型为基础，利用灰色预测模型算法简单、建模所用数据少的优点以及BP神经网络对非线性系统预测性能良好的优点，尝试利用BP神经网络的非线性映射将二者组合预测。本论文还针对能够提供道路交通事故相关影响因子数据时，构建了基于关联分析的灰色神经网络组合预测模型。最后结合实例，用所提出的模型给与了预测。实证结果表明，组合模型能够充分发挥各单一模型的优点同时弱化了单一模型的缺点，比单一模型的预测结果更理想，精度更高。