胡立偉 張 婷 郭鳳香 陳 政
(昆明理工大學(xué)交通工程學(xué)院 昆明 650500)
我國(guó)國(guó)家統(tǒng)計(jì)局提供的數(shù)據(jù)顯示,自2006—2015年,我國(guó)民用汽車保有量已從3 697.35萬(wàn)輛增長(zhǎng)到了16 284.50萬(wàn)輛,隨之而來(lái)的是交通擁堵現(xiàn)象加劇,交通事故增多,研究道路交通事故中不同車型的事故分擔(dān)率可以探討交通事故發(fā)生于車輛類型間的關(guān)系,進(jìn)而得出相應(yīng)的治理策略.
目前,在道路交通事故預(yù)測(cè)方面國(guó)內(nèi)外都已提出了許多研究方法,主要有回歸模型法、時(shí)間序列法、灰色模型預(yù)測(cè)法以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法等.Hosse等[1]采用灰色系統(tǒng)理論,預(yù)測(cè)了德國(guó)直到2025年道路交通事故的發(fā)展情況;Bezuglov等[2]研究了三種灰色系統(tǒng)理論模型對(duì)短期交通速度和行程時(shí)間預(yù)測(cè),得到了較為理想的預(yù)測(cè)結(jié)果.李娟等[3]通過(guò)對(duì)現(xiàn)有交通事故數(shù)據(jù)統(tǒng)計(jì)分析,建立了基于BP神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測(cè)模型,并達(dá)到了較理想的預(yù)測(cè)精度;詹偉等[4]建立了高速公路隧道群的交通事故灰色預(yù)測(cè)模型,并進(jìn)行了改進(jìn)優(yōu)化,提高了預(yù)測(cè)精度;葛麗娜[5]通過(guò)研究對(duì)比三種不同的灰色神經(jīng)網(wǎng)絡(luò)組合模型與單一模型預(yù)測(cè)精度及其穩(wěn)定性,發(fā)現(xiàn)組合模型的預(yù)測(cè)結(jié)果優(yōu)于單一模型.
當(dāng)前國(guó)內(nèi)外研究主要針對(duì)道路交通事故預(yù)測(cè)進(jìn)行研究,較少涉及交通事故車型分擔(dān)預(yù)測(cè),而事故車型分擔(dān)率預(yù)測(cè)對(duì)有效控制、減少交通事故的發(fā)生是必要的,本文在分析云南省2010—2015年7 954條道路交通事故數(shù)據(jù)的基礎(chǔ)上,分析云南省涉事車型特點(diǎn)及其事故車型分擔(dān)率影響因素,運(yùn)用灰色BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型,對(duì)公路交通事故車型分擔(dān)率預(yù)測(cè),并提出相應(yīng)的預(yù)防策略.
公路交通事故車型分擔(dān)率是指在一段時(shí)期內(nèi)所有交通事故中不同車型的事故率,將車輛分為機(jī)動(dòng)車和非機(jī)動(dòng)車,其中,機(jī)動(dòng)車主要包括小汽車、客車、貨車、有軌電車、電瓶車、掛車、專用機(jī)械車、拖拉機(jī)、農(nóng)用運(yùn)輸車等.本文根據(jù)云南省2010—2015年道路交通事故數(shù)據(jù)中交通事故常見(jiàn)車型從小轎車、客車、貨車、摩托車和其他車型進(jìn)行其事故分擔(dān)率分析.
根據(jù)交通根據(jù)云南省2010—2015年間道路交通事故數(shù)據(jù),得到不同涉事車型的分布情況,見(jiàn)圖1,各車型事故分擔(dān)率多項(xiàng)式曲線擬合模型見(jiàn)表1.由圖1可知,摩托車、貨車、客車及小汽車是云南省交通事故主要的涉事車型,事故分擔(dān)率高達(dá)90%.其中,事故分擔(dān)率最高的是摩托車,平均事故分擔(dān)率為37.6%左右,其次是貨車,平均事故分擔(dān)率為25.6%;小轎車和客車的事故分擔(dān)率分別為15%左右.
圖1 云南省2010-2015年常見(jiàn)涉事車型事故分擔(dān)率
涉事車型擬合公式R2小汽車y=0.073 5x3-0.913 7x2+4.325 6x+6.743 30.660 2客車 y=0.2687x3-3.488 2x2+14.6x-4.383 30.936 2貨車 y=-0.461 9x3+5.1684x2-18.198x+44.8170.633 7摩托車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,摩托車的經(jīng)濟(jì)性使其成為大多數(shù)人的出行代步工具,摩托車保有量一直遠(yuǎn)高于其他車型,而對(duì)于摩托車的管理力度不足,駕駛?cè)税踩庾R(shí)薄弱等原因?qū)е陆陙?lái)摩托車一直是云南省事故分擔(dān)率最高的車型.
由于云南省地形特殊,南北高差大,道路設(shè)計(jì)時(shí)存在許多連續(xù)縱坡的線形設(shè)計(jì),在經(jīng)過(guò)此類路段時(shí),相比其他車型,貨車的爬坡性能明顯下降,因此,易出現(xiàn)頻繁超車現(xiàn)象;而連續(xù)下坡路段,貨車需長(zhǎng)時(shí)間制動(dòng),嚴(yán)重影響其制動(dòng)效能,產(chǎn)生“熱衰退”現(xiàn)象[6],更易發(fā)生交通事故.對(duì)于貨車的管理不足,超載超速問(wèn)題嚴(yán)重也是貨車交通事故分擔(dān)率較高的原因.
目前,國(guó)內(nèi)外在交通事故方面的研究更多傾向于微觀因素的研究,較少?gòu)暮暧^層面入手.本文通過(guò)分析經(jīng)濟(jì)發(fā)展水平、人口、車輛保有量、道路條件等宏觀因素,找出其與道路交通事故車型分擔(dān)率之間的內(nèi)在聯(lián)系.
1) 人均生產(chǎn)總值與涉事車型保有量 人均生產(chǎn)總值與涉事車型保有量有著密切的聯(lián)系,而不同車型隨人均生產(chǎn)總值的增長(zhǎng)呈現(xiàn)不同的增長(zhǎng)狀態(tài),見(jiàn)圖2.由圖2可知,以云南省為例,摩托車保有量一直處于隨人均生產(chǎn)總值快速增長(zhǎng)的階段;在人均生產(chǎn)總值達(dá)到25 000元以上時(shí),小汽車和客車保有量增長(zhǎng)速度明顯提升;而貨車及其他車型保有量處于一種相對(duì)穩(wěn)定的微增長(zhǎng)狀態(tài).
2) 人均生產(chǎn)總值與交通事故車型分擔(dān)率 云南省交通事故車型分擔(dān)率呈現(xiàn)一個(gè)波動(dòng)的狀態(tài),隨人均生產(chǎn)總值的增加,千人汽車保有量越多,國(guó)家更加注重交通安全問(wèn)題的管理和改善,摩托車和貨車的交通事故車型分擔(dān)率呈波動(dòng)下降,小汽車、客車及其他車型交通事故分擔(dān)率緩慢增加見(jiàn)圖3.
圖3 事故車型分擔(dān)率與人均生產(chǎn)總值關(guān)系圖
3) 每公里車輛數(shù)與交通事故車型分擔(dān)率 千人汽車保有量側(cè)重于反映車輛需求對(duì)交通安全的影響,而每公里車輛數(shù)則側(cè)重于表明車輛在道路上的密集程度.小汽車的交通事故分擔(dān)率在每公里小汽車車輛數(shù)增加到6輛時(shí)達(dá)到最高,隨后小幅下降后呈現(xiàn)一個(gè)相對(duì)穩(wěn)定的微增長(zhǎng)趨勢(shì);客車的交通事故分擔(dān)率在每公里客車車輛數(shù)增加到5輛時(shí)達(dá)到最高,之后呈現(xiàn)一個(gè)平穩(wěn)的狀態(tài);摩托車在更嚴(yán)格的政策管理下交通事故車型分擔(dān)率呈波動(dòng)下降;在2010—2015年間,貨車和其他車型每公里車輛數(shù)增長(zhǎng)不明顯,貨車的交通事故分擔(dān)率明顯大幅下降,而其他車型交通事故分擔(dān)率緩慢增加.
BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)能力,能多輸入多輸出實(shí)現(xiàn)數(shù)據(jù)的并行處理,灰色模型預(yù)測(cè)的結(jié)果比較穩(wěn)定,在數(shù)據(jù)量較少時(shí)也能得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果,其中常用的GM(1,1)模型是單序列一階線性微分方程,不具備BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)的優(yōu)點(diǎn),對(duì)非線性信息也沒(méi)有較好的處理能力.由此可見(jiàn),灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可進(jìn)行優(yōu)勢(shì)互補(bǔ),克服兩種預(yù)測(cè)方法的局限性,從而提高預(yù)測(cè)精度.本文主要對(duì)灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)的組合模型進(jìn)行探討,提高對(duì)交通事故車型分擔(dān)率預(yù)測(cè)的精度.
通常,根據(jù)灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)合的不同方式及數(shù)據(jù)處理的不同方法,將灰色BP神經(jīng)網(wǎng)絡(luò)分為3種:并聯(lián)型、串聯(lián)型、嵌入型[7].本文結(jié)合云南省2010—2015年道路交通事故數(shù)據(jù)分別采用灰色預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)及三種灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)合方法預(yù)測(cè)道路交通事故車型分擔(dān)率,并對(duì)比選出最優(yōu)模型.
本文中道路交通事故車型分擔(dān)率數(shù)據(jù)波動(dòng)性較大,缺乏規(guī)律,使用傳統(tǒng)的灰色預(yù)測(cè)模型預(yù)測(cè)結(jié)果精度不高,因此,通過(guò)引入緩沖算子消除外界對(duì)原始數(shù)據(jù)的隨機(jī)干擾,對(duì)灰色預(yù)測(cè)模型進(jìn)行改進(jìn),使數(shù)據(jù)規(guī)律性得到應(yīng)有的呈現(xiàn)[8].模型基本結(jié)構(gòu)見(jiàn)圖4.
圖4 GM(1,1)模型基本結(jié)構(gòu)圖
當(dāng)原始數(shù)據(jù)為非負(fù)的數(shù)據(jù)序列時(shí),選擇平均弱化緩沖算子處理原始數(shù)據(jù)序列,能提高其光滑性,亦有利于提高預(yù)測(cè)模型的精度.具體構(gòu)造如下:
設(shè)原始數(shù)據(jù)序列為
X(0)=(x(0)(1),x(0)(2),…,x(0)(n))
(1)
對(duì)應(yīng)緩沖算子D1,X經(jīng)過(guò)D1作用后有
X(0)D1=(x(0)(1)d1,x(0)(2)d1,…,x(0)(n)d1)
(2)
Hecht-Nielson提出了在任意閉區(qū)間內(nèi),都可以用一個(gè)隱含層的BP網(wǎng)絡(luò)來(lái)逼近一個(gè)連續(xù)函數(shù)[9],即任意的n維到m維的映射可以通過(guò)一個(gè)三層的BP網(wǎng)絡(luò)來(lái)完成.本文采用誤差反向傳播學(xué)習(xí)法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程見(jiàn)圖5.本文選用含有一個(gè)隱層的BP網(wǎng)絡(luò),輸入層神經(jīng)元個(gè)數(shù)為三個(gè),指標(biāo)分別為云南省人均生產(chǎn)總值、各涉事車型保有量、每公里車輛數(shù);輸出神經(jīng)元個(gè)數(shù)為一個(gè),即道路交通事故車型分擔(dān)率;經(jīng)MATLAB試驗(yàn)得出,隱層神經(jīng)元個(gè)數(shù)為七個(gè),隱層的轉(zhuǎn)換函數(shù)采用tansig函數(shù),選擇traingdx函數(shù)作為訓(xùn)練函數(shù),輸出層神經(jīng)元轉(zhuǎn)換函數(shù)采用logsig函數(shù),設(shè)置神經(jīng)網(wǎng)絡(luò)的最大學(xué)習(xí)次數(shù)為50 000次,學(xué)習(xí)速率為0.05,學(xué)習(xí)目標(biāo)取誤差平方和為0.1,設(shè)置網(wǎng)絡(luò)連接權(quán)的初始值為[-1,1]的隨機(jī)數(shù).
圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖
并聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)的基本流程是:分別采用GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)進(jìn)行預(yù)測(cè),經(jīng)一定的方法(如算術(shù)平均法、調(diào)和平均法等)將兩種預(yù)測(cè)結(jié)果組合,從而得出組合模型的預(yù)測(cè)結(jié)果,結(jié)構(gòu)圖見(jiàn)圖6.
圖6 并聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
算術(shù)平均法、調(diào)和平均法計(jì)算公式為
(3)
(4)
引用有效度的計(jì)算方法確定兩種預(yù)測(cè)模型的加權(quán)系數(shù)[10].具體如下:
(5)
At為組合預(yù)測(cè)的精度序列,該序列的均值E與均方差σ分別為
(6)
有效度為
m=E(1-σ)
(7)
將有效度m歸一化后即可得到加權(quán)系數(shù)
(8)
根據(jù)GM(1,1)模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值和實(shí)際值計(jì)算得出有效度分別為m1=0.973 9,m2=0.951 7,兩種模型的加權(quán)系數(shù)分別為q1=0.505 8,q2=0.494 2.
串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)是將使用GM(1,1)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果,作為BP神經(jīng)網(wǎng)絡(luò)的輸入值進(jìn)行組合.本文中采用基于平均弱化緩沖算子改進(jìn)的GM(1,1)模型對(duì)BP神經(jīng)網(wǎng)絡(luò)中各輸入值進(jìn)行預(yù)測(cè),采用BP神經(jīng)網(wǎng)絡(luò)輸出道路交通事故車型分擔(dān)率的預(yù)測(cè)值,見(jiàn)圖7.
圖7 串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
調(diào)用MATLAB中BP神經(jīng)網(wǎng)絡(luò)工具箱函數(shù),設(shè)計(jì)編程訓(xùn)練網(wǎng)絡(luò),預(yù)測(cè)結(jié)果見(jiàn)表2.
嵌入型灰色BP神經(jīng)網(wǎng)絡(luò)是以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),在神經(jīng)網(wǎng)絡(luò)模型前添加一個(gè)“灰化層”,即使用灰色模型累加的方法對(duì)原始數(shù)據(jù)序列進(jìn)行處理,還原數(shù)據(jù)的規(guī)律性,加快BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)效率,經(jīng)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)后,通過(guò)“白化層”恢復(fù)預(yù)測(cè)數(shù)據(jù)序列,其原理見(jiàn)圖8.
圖8 嵌入型灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
本文通過(guò)對(duì)云南省2010—2014年的交通事故相關(guān)數(shù)據(jù)統(tǒng)計(jì)處理,分別用單一的GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型及三種組合模型預(yù)測(cè)2015年云南省道路交通事故車型分擔(dān)率,預(yù)測(cè)結(jié)果見(jiàn)表2,各模型預(yù)測(cè)結(jié)果的相對(duì)誤差見(jiàn)表3.
表2 云南省2015年事故車型分擔(dān)率預(yù)測(cè)結(jié)果
表3 各模型預(yù)測(cè)結(jié)果的相對(duì)誤差
由表2~3可知,經(jīng)過(guò)改進(jìn)的GM(1,1)模型和及灰色BP神經(jīng)網(wǎng)絡(luò)組合模型相比單純的BP神經(jīng)網(wǎng)絡(luò)模型具有更優(yōu)的預(yù)測(cè)精度及誤差穩(wěn)定性,其中串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)際值的相對(duì)誤差基本控制在2%以內(nèi),預(yù)測(cè)結(jié)果最優(yōu),滿足精度要求.因此,選用串聯(lián)型灰色BP網(wǎng)絡(luò)模型對(duì)云南省2017—2020年公路交通事故車型分擔(dān)率進(jìn)行預(yù)測(cè),結(jié)果見(jiàn)圖9.
圖9 云南省2017-2020年公路交通事故車型分擔(dān)率預(yù)測(cè)結(jié)果
由圖9可知,摩托車的事故分擔(dān)率將大幅下降,貨車的事故分擔(dān)率趨于平穩(wěn),小汽車和客車逐年增長(zhǎng).隨著經(jīng)濟(jì)的發(fā)展,生活水平提升,居民出行增加,小汽車逐漸代替摩托車出行,盡管相關(guān)政策在一定程度上減緩了小汽車增長(zhǎng)的趨勢(shì),但小汽車的事故分擔(dān)率依然不斷增長(zhǎng),客、貨車輛等大中型車輛在長(zhǎng)途運(yùn)輸過(guò)程中,由于云南省道路地形復(fù)雜,道路坡度大、隧道多等因素更易造成交通事故.
1) 加強(qiáng)小汽車管理.小汽車事故分擔(dān)率將不斷增長(zhǎng),因此對(duì)小汽車加強(qiáng)管理,控制其事故發(fā)生率是非常必要的.可借鑒其他城市的管理辦法,對(duì)小汽車實(shí)行限號(hào)、限購(gòu)管理;倡導(dǎo)市民使用公交出行;規(guī)范管理新出現(xiàn)的共享汽車,嚴(yán)禁交通違法行為.
2) 規(guī)范非機(jī)動(dòng)車、摩托車管理.盡管摩托車事故分擔(dān)率呈現(xiàn)大幅下降的趨勢(shì),但若疏于管理,摩托車造成交通事故的損失仍不容小覷.加強(qiáng)摩托車管理規(guī)范,嚴(yán)禁摩托車超載、超速行為,在市區(qū)禁限摩托車出行等;同時(shí)規(guī)范電動(dòng)車出行,出臺(tái)共享單車具體管理辦法,改變非機(jī)動(dòng)車無(wú)序的交通狀態(tài).
3) 加強(qiáng)大型客、貨車輛的管理.客車的事故分擔(dān)率呈現(xiàn)增長(zhǎng)趨勢(shì),且客車發(fā)生事故造成的人員傷亡、財(cái)產(chǎn)損失都大于其他車型,貨車的事故分擔(dān)率趨于平穩(wěn),因此對(duì)客、貨車輛都需要進(jìn)一步管控,對(duì)客車、貨車等營(yíng)運(yùn)車輛強(qiáng)制安裝GPS系統(tǒng)、行車記錄儀、限速報(bào)警裝置等,實(shí)行實(shí)時(shí)監(jiān)控管理,嚴(yán)禁超載、超速違法行為,管控駕駛?cè)诵熊囘^(guò)程中打電話、疲勞駕駛等不良駕駛行為.
1) 構(gòu)建基于緩沖算子的GM(1,1)模型,利用平均弱化緩沖算子消除原始數(shù)據(jù)序列的隨機(jī)干擾,還原數(shù)據(jù)序列的規(guī)律性,能有效提高模型的預(yù)測(cè)精度.
2) 灰色BP神經(jīng)網(wǎng)絡(luò)組合模型相比單純的BP神經(jīng)網(wǎng)絡(luò)模型具有更優(yōu)的預(yù)測(cè)精度及穩(wěn)定性,其中串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)模型最優(yōu),可運(yùn)用到道路交通事故車型分擔(dān)率預(yù)測(cè)中.
3) 根據(jù)交通事故車型分擔(dān)率預(yù)測(cè)結(jié)果,查找交通事故隱患,對(duì)不同車輛實(shí)行不同的管理策略,改善交通安全問(wèn)題,降低交通事故率.
參考文獻(xiàn)
[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神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測(cè)模型[J].交通信息與安全,2006,24(2):34-37.
[4] 詹偉,呂慶,尚岳全.高速公路隧道群交通事故灰色馬爾可夫預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2014,44(1):62-67.
[5] 葛麗娜.基于灰色神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測(cè)方法研究[D].錦州:遼寧工業(yè)大學(xué),2015.
[6] 胡立偉,李耀平.典型交通設(shè)施對(duì)道路交通事故致因影響分析[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版),2014,38(1):98-102.
[7] 陳淑燕,王煒.交通量的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,34(4):541-544.
[8] 葉璟,李炳軍,劉芳.弱化緩沖算子對(duì)GM(1,1)模型的預(yù)測(cè)效應(yīng)及適用性[J].系統(tǒng)工程理論與實(shí)踐,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] 張令剛,牛德寧,孟兆民.基于預(yù)測(cè)有效度的組合模型在交通量預(yù)測(cè)中的應(yīng)用[J].道路交通與安全,2010(1):24-27.