任麗麗, 吳江玲*, 郭旭亮, 張馨月, 姜濤

(1. 河南大學(xué)土木建筑學(xué)院, 開封 475004; 2. 長安大學(xué)公路學(xué)院, 西安 710064)

近年來,交通沖突技術(shù)已廣泛應(yīng)用于城市交叉口安全評價(jià),尤其在機(jī)非混行嚴(yán)重的無信號環(huán)形交叉口安全評價(jià)中發(fā)揮著極大作用。隨著中國機(jī)動(dòng)車、非機(jī)動(dòng)車保有量的急速增長,研究高效精準(zhǔn)的交通沖突預(yù)測方法,對交管部門主動(dòng)安全管理和環(huán)形交叉口的交通安全評價(jià)具有重要意義。

國內(nèi)外學(xué)者在交通沖突預(yù)測方面進(jìn)行了研究。EI-Basyouny等[1]考慮交通量、沖突點(diǎn)所在區(qū)域類型(城市/郊區(qū))和幾何特征作為變量,利用泊松分布預(yù)測交通沖突,研究發(fā)現(xiàn)城市比郊區(qū)更容易發(fā)生沖突。Jia等[2]從無人機(jī)視頻中提取交通沖突,將其輸入基于負(fù)二項(xiàng)分布的沖突預(yù)測模型中進(jìn)行實(shí)驗(yàn),結(jié)果表明,負(fù)二項(xiàng)分布在交通沖突預(yù)測中具有一定優(yōu)勢。Cai等[3]通過研究發(fā)現(xiàn)泊松分布更適用于雙車道匝道的沖突預(yù)測,而負(fù)二項(xiàng)分布模型適用于單車道匝道的沖突預(yù)測。為提高預(yù)測精度,研究人員在交通沖突預(yù)測中引入機(jī)器學(xué)習(xí)模型。Zhang等[4]和Ihueze[5]利用回歸模型擬合交通沖突或碰撞的線性關(guān)系,成功預(yù)測了交通沖突和交通碰撞。Ge等[6]通過負(fù)二項(xiàng)分布預(yù)測高速公路養(yǎng)護(hù)作業(yè)區(qū)的交通沖突,研究表明預(yù)測模型具有較高精度,能夠有效評價(jià)交通安全。張婉婷[7]對交叉口進(jìn)口道的交通沖突進(jìn)行了研究,采用貝葉斯方法構(gòu)建負(fù)二項(xiàng)分布模型,實(shí)驗(yàn)結(jié)果表明模型能夠有效地實(shí)現(xiàn)沖突預(yù)測。Zhang等[8]使用多個(gè)機(jī)器學(xué)習(xí)模型和Logistic回歸預(yù)測行人的沖突,并提出了一種基于(extreme gradient boosting, XGBT)模型的行人沖突預(yù)測模型,該模型可以預(yù)測行人沖突。Guo等[9]使用三個(gè)沖突指標(biāo),即碰撞時(shí)間(time to collision,TTC)、修改碰撞時(shí)間[10](modified time to collision,MTTC)和(deceleration rate to avoid collision,DRAC),將機(jī)動(dòng)車沖突以固定的間隔進(jìn)行匯總,開發(fā)了基于實(shí)時(shí)沖突率的貝葉斯模型。

隨著機(jī)器學(xué)習(xí)的發(fā)展,有學(xué)者將(support vector regression,SVR)模型應(yīng)用于高速公路交通流預(yù)測[11],利用SVR擬合影響因素與交通流之間的非線性關(guān)系。已有研究[12-13]也證明了(back propagation, BP)神經(jīng)網(wǎng)絡(luò)在擬合非線性數(shù)據(jù)上的優(yōu)勢。為解決BP神經(jīng)網(wǎng)絡(luò)收斂速度慢等問題,邵鑫等[14]通過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對交通數(shù)據(jù)質(zhì)量進(jìn)行優(yōu)化與預(yù)測。朱云霞等[15]利用遺傳算法(genetic algorithm,GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值,結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度和收斂速度得到很大提升。

城市交叉口具有多車道、車輛運(yùn)行軌跡隨機(jī)性高等特點(diǎn),交通沖突頻發(fā)。由于交通沖突具有非線性特點(diǎn),研究人員基于SVR模型和BP神經(jīng)網(wǎng)絡(luò)在擬合非線性數(shù)據(jù)上的優(yōu)勢對交叉口的交通沖突預(yù)測進(jìn)行研究。王鑫[16]研究了交叉口中右轉(zhuǎn)機(jī)動(dòng)車和直行非機(jī)動(dòng)車之間的機(jī)非沖突,分別構(gòu)建基于線性回歸和BP神經(jīng)網(wǎng)絡(luò)的機(jī)非沖突預(yù)測模型,結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差更小。張棟[17]針對環(huán)形交叉口的機(jī)非沖突預(yù)測進(jìn)行了研究,分別構(gòu)建了基于負(fù)二項(xiàng)分布和BP神經(jīng)網(wǎng)絡(luò)的機(jī)非沖突預(yù)測模型,經(jīng)對比后發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高。

上述研究主要通過統(tǒng)計(jì)模型和單一機(jī)器學(xué)習(xí)模型進(jìn)行沖突預(yù)測,不同的模型均存在一定的適用場景。為了應(yīng)對復(fù)雜的預(yù)測問題,文獻(xiàn)[18-19]采用組合模型的方式表征交通流數(shù)據(jù)的所有特征,實(shí)現(xiàn)交通流的預(yù)測。但是,將組合模型用于交叉口沖突預(yù)測的相關(guān)研究較少,也未考慮組合模型在交通沖突預(yù)測問題上的適用性。因此,為更好地表征機(jī)非沖突數(shù)據(jù)的特征,同時(shí)考慮環(huán)形交叉口安全評價(jià)對機(jī)非沖突預(yù)測方法的實(shí)際需求,現(xiàn)以無人機(jī)視頻提取的機(jī)非沖突數(shù)據(jù)為基礎(chǔ),引入機(jī)器學(xué)習(xí)算法構(gòu)建SVR-GA-BP組合模型,對無信號環(huán)形交叉口機(jī)非沖突進(jìn)行高效精準(zhǔn)的預(yù)測。

1 數(shù)據(jù)采集與提取

1.1 軌跡數(shù)據(jù)準(zhǔn)備

選取開封市天馬廣場環(huán)形交叉口、西安市鐘樓環(huán)形交叉口、揭陽市東埔環(huán)島、吉林市樺甸市金華路與渤海大街環(huán)形交叉口為數(shù)據(jù)采集地點(diǎn),進(jìn)行機(jī)非交通沖突調(diào)查。利用無人機(jī)對各環(huán)形交叉口進(jìn)行高空定點(diǎn)拍攝,采集天氣晴天無風(fēng),采集時(shí)間為工作日的早晚高峰時(shí)段,共獲得40 h(連續(xù)5個(gè)工作日)的混合交通流高清視頻。利用Tracker軟件提取視頻中機(jī)動(dòng)車與非機(jī)動(dòng)車的運(yùn)行軌跡數(shù)據(jù),過程如圖1所示。

圖1 Tracker提取軌跡數(shù)據(jù)界面Fig.1 Tracker interface for extracting trajectory data

1.2 機(jī)非沖突識別

當(dāng)機(jī)動(dòng)車與非機(jī)動(dòng)車之間存在碰撞可能時(shí),其中至少一方采取制動(dòng)或轉(zhuǎn)向行為(加速度絕對值大于4 m/s2或行駛方向變化大于30°),可判定為存在避險(xiǎn)行為[20]。再以TTC為沖突判別指標(biāo)進(jìn)行機(jī)非沖突識別,具體流程如圖2所示。

根據(jù)上述方法得到四個(gè)環(huán)形交叉口的交通沖突和交通干擾共6 059個(gè)。按表1中機(jī)非沖突嚴(yán)重程度閾值[17]劃分沖突類型,共得到5 143個(gè)機(jī)非沖突。其中,嚴(yán)重沖突1 189個(gè),占比23.12%,一般沖突3 954個(gè),占比76.88%。選取10 min作為計(jì)數(shù)單位,非機(jī)動(dòng)車與機(jī)動(dòng)車交通量均采用標(biāo)準(zhǔn)小汽車數(shù),剔除異常數(shù)據(jù)后共獲得一般類型機(jī)非交通沖突和嚴(yán)重類型機(jī)非交通沖突的樣本數(shù)據(jù)各230組。

圖2 機(jī)非沖突識別流程Fig.2 Identification process for motorized and non-motorized vehicles conflicts

表1 機(jī)非交通沖突嚴(yán)重程度閾值劃分Table 1 Thresholds for traffic conflict severity classifications

1.3 影響因素提取與分析

通過分析機(jī)非沖突的空間分布,能夠?yàn)榇_定機(jī)非沖突的影響因素提供科學(xué)依據(jù)。利用地理信息系統(tǒng)(geographic information system,GIS)技術(shù)得到機(jī)非沖突分布熱力圖,如圖3所示。根據(jù)圖3可知,機(jī)非沖突的空間分布情況如下。

(1)一般沖突數(shù)量較多,沖突點(diǎn)位置較為離散,大部分沖突點(diǎn)位于交織區(qū)內(nèi),熱力圖面積大;嚴(yán)重沖突的位置較為集中,數(shù)量較少,熱力圖面積小。

(2)一般機(jī)非沖突和嚴(yán)重機(jī)非沖突主要集中在交織區(qū)的入口處和出口處以及交織區(qū)的外側(cè)車道。因?yàn)樵诮豢梾^(qū)入口處和出口處容易發(fā)生的沖突包括右轉(zhuǎn)機(jī)動(dòng)車與直行非機(jī)動(dòng)車之間的沖突、右轉(zhuǎn)非機(jī)動(dòng)車與直行機(jī)動(dòng)車之間的沖突、右轉(zhuǎn)機(jī)動(dòng)車與右轉(zhuǎn)非機(jī)動(dòng)車之間的沖突;在交織區(qū)外側(cè)車道處由于在駛?cè)牒婉偝霏h(huán)島時(shí)非機(jī)動(dòng)車行駛較為混亂,造成交織區(qū)內(nèi)出現(xiàn)機(jī)非沖突。

交通流特性與交叉口的交通沖突存在較強(qiáng)關(guān)聯(lián)[21-22]。初步選擇機(jī)非沖突的影響因素為交通量、平均速度、大車比例。結(jié)合沖突的空間分布情況詳細(xì)劃分影響因素,并利用偏相關(guān)分析法對所有影響因素進(jìn)行分析,確定機(jī)非沖突的顯著影響因素。

根據(jù)表2偏相關(guān)分析結(jié)果,在一般類型機(jī)非交通沖突中,B1、B2、B3、E1、E2、E3等顯著性明顯大于0.05,因此剔除這些因素;在嚴(yán)重類型機(jī)非交通沖突預(yù)測中,C1、C2、C3、E1、E2、E3等顯著性明顯大于0.05,同樣將其剔除。最終篩選的顯著影響因素如表3所示。

2 SVR-GA-BP機(jī)非沖突預(yù)測模型

2.1 支持向量回歸模型

機(jī)非沖突樣本數(shù)據(jù)具有多影響因素、非線性、小樣本等特點(diǎn),而支持向量回歸模型(SVR)通過非線性映射方式將樣本從低維空間映射到高維特征空間中進(jìn)行線性回歸,能夠有效解決非線性、高維數(shù)、小樣本的預(yù)測問題[23]。

SVR對機(jī)非沖突樣本數(shù)據(jù)進(jìn)行非線性映射,其超平面公式為

f(xi)=ωTφ(xi)+b

(1)

式(1)中:ω為權(quán)重向量;b為偏置;φ(xi)為xi映射到高維空間的特征向量。

ω和b為SVR通過核函數(shù)與損失函數(shù)得出超平面f(xi)的最優(yōu)解,進(jìn)而將機(jī)非沖突預(yù)測問題轉(zhuǎn)化為凸二次規(guī)劃問題。SVR的損失函數(shù)和凸二次規(guī)劃問題的目標(biāo)函數(shù)表達(dá)式分別為

(2)

(3)

(4)

表2 影響因素偏相關(guān)分析結(jié)果Table 2 Partial correlation analysis results of influencing factors

表3 無信號環(huán)形交叉口交通沖突顯著影響因素Table 3 Significant influencing factors of traffic conflict at unsignalized roundabouts

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The structure of BP neural network

綜上,SVR模型最終得到超平面僅與支持向量有關(guān),具有泛化能力強(qiáng)、魯棒性高、運(yùn)算速率快等特點(diǎn)。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),結(jié)構(gòu)上包括輸入層、輸出層及隱藏層,并采用全連接方式,具體結(jié)構(gòu)如圖4所示[17]。

基于機(jī)非沖突預(yù)測的BP神經(jīng)網(wǎng)絡(luò)包括前向信息傳遞和反向誤差傳播階段,步驟如下。

(1)在前向信息傳遞階段,輸入層接收機(jī)非沖突樣本影響因素并將信息傳遞至隱藏層進(jìn)行處理。

(2)隱藏層根據(jù)對應(yīng)的連接權(quán)重對從輸入層傳遞過來的信息加權(quán)求和,將其非線性映射生成輸出傳遞至輸出層。

(3)若輸出層的輸出不符合期望輸出,則進(jìn)入反向誤差傳播階段,根據(jù)誤差不斷對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整。

(4)經(jīng)過不斷迭代,使得輸出的沖突預(yù)測結(jié)果逐漸逼近期望輸出。

BP神經(jīng)網(wǎng)絡(luò)模型輸入為機(jī)非沖突樣本影響因素,模型輸出為機(jī)非沖突數(shù)量,兩者之間關(guān)系式為

(5)

式(5)中:n為輸入層節(jié)點(diǎn)數(shù);q為隱含層節(jié)點(diǎn)數(shù);ωij為第i個(gè)輸入層節(jié)點(diǎn)與第j個(gè)隱含層節(jié)點(diǎn)連接權(quán)值;xi為第i個(gè)輸入層節(jié)點(diǎn)的機(jī)非沖突樣本的影響因素;yt為機(jī)非沖突數(shù)量的預(yù)測值;bj為第j個(gè)隱藏層節(jié)點(diǎn)閾值;f1為隱藏層節(jié)點(diǎn)激勵(lì)函數(shù);vjt為第j個(gè)隱藏層節(jié)點(diǎn)和第t個(gè)輸出層節(jié)點(diǎn)連接權(quán)值;bt為第t個(gè)輸出層節(jié)點(diǎn)閾值;f0為輸出層節(jié)點(diǎn)傳遞函數(shù)。

結(jié)合沖突樣本的數(shù)據(jù)特點(diǎn),選用經(jīng)典三層BP神經(jīng)網(wǎng)絡(luò),通過機(jī)非沖突的影響因素預(yù)測沖突數(shù)量,隱藏層激活函數(shù)選用Sigmoid函數(shù)。由于樣本數(shù)據(jù)中存在9種影響因素,因變量僅為交通沖突數(shù),因此將輸入層節(jié)點(diǎn)數(shù)設(shè)為9,輸出層節(jié)點(diǎn)數(shù)設(shè)為1。隱藏層節(jié)點(diǎn)數(shù)通常根據(jù)經(jīng)驗(yàn)公式和多次實(shí)驗(yàn)來確定,經(jīng)驗(yàn)公式為:

(6)

式(6)中:n為輸入層節(jié)點(diǎn)個(gè)數(shù);t為輸出層節(jié)點(diǎn)個(gè)數(shù);a一般為[1,10]之間的常數(shù)。

綜上,BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)能力和較強(qiáng)的非線性關(guān)系映射能力,適用于擬合非線性關(guān)系。

2.3 SVR-GA-BP組合模型建立

根據(jù)前述內(nèi)容可知SVR模型具有高效性和BP神經(jīng)網(wǎng)絡(luò)預(yù)測性能較好。將兩者優(yōu)勢相結(jié)合構(gòu)建組合模型能夠減少算法耗時(shí)和提高預(yù)測準(zhǔn)確性,有效平衡過擬合和欠擬合問題[24]。同時(shí),考慮BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值導(dǎo)致訓(xùn)練失敗,引入遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值進(jìn)行優(yōu)化,以改進(jìn)網(wǎng)絡(luò)性能。最終,構(gòu)建SVR-GA-BP組合模型對機(jī)非沖突進(jìn)行預(yù)測,預(yù)測模型思路如下。

(1)利用SVR提取沖突樣本中的支持向量。

(2)計(jì)算支持向量被選入構(gòu)建新樣本數(shù)據(jù)集的概率,表達(dá)式為

(7)

式(7)中:l(x)為支持向量x與硬ε帶之間的距離,p(x)為支持向量x被選入構(gòu)建新樣本數(shù)據(jù)集的概率。

(3)將新樣本數(shù)據(jù)集作為模型時(shí)如輸入到BP神經(jīng)網(wǎng)絡(luò)中,設(shè)定BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值。

(4)初始化編碼種群。對BP神經(jīng)網(wǎng)絡(luò)初始權(quán)重和閾值進(jìn)行二進(jìn)制編碼,確定個(gè)體編碼長度。

(5)將BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練均方根誤差RMSE作為適應(yīng)度值。

(6)經(jīng)計(jì)算后的個(gè)體適應(yīng)度小于已確定的適應(yīng)度,滿足終止迭代條件,轉(zhuǎn)入步驟(7),否則執(zhí)行選擇、交叉、變異運(yùn)算生成新種群,重新計(jì)算個(gè)體適應(yīng)度并判斷是否滿足終止迭代條件。

(7)將遺傳算法的最優(yōu)個(gè)體還原為優(yōu)化后的初始權(quán)重和閾值。

(8)將優(yōu)化后的初始權(quán)重和閾值輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(9)將沖突測試樣本數(shù)據(jù)集輸入到訓(xùn)練好的模型中,進(jìn)行機(jī)非沖突預(yù)測。

(10)得到預(yù)測結(jié)果,進(jìn)行預(yù)測性能評價(jià)。

基于上述步驟可明確SVR-GA-BP組合模型結(jié)構(gòu),如圖5所示。

3 機(jī)非沖突預(yù)測實(shí)驗(yàn)

3.1 數(shù)據(jù)準(zhǔn)備

基于沖突樣本構(gòu)建樣本數(shù)據(jù)集并將其用于單一預(yù)測模型和組合預(yù)測模型。按照8∶2的比例將樣本數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集和測試集,訓(xùn)練集包含184組數(shù)據(jù),用于訓(xùn)練預(yù)測模型;測試集包含46組數(shù)據(jù),用于驗(yàn)證模型的有效性。為提高模型預(yù)測精度和可信度,對數(shù)據(jù)集歸一化處理,將其縮小至[0,1]區(qū)間上,消除數(shù)據(jù)的數(shù)量級差異對預(yù)測結(jié)果的影響,最終得到訓(xùn)練集數(shù)據(jù)樣本和測試集數(shù)據(jù)樣本。數(shù)據(jù)歸一化公式為

(8)

式(8)中:x′為歸一化處理后的結(jié)果;x為機(jī)非沖突樣本數(shù)據(jù);xmax和xmin分別為機(jī)非沖突樣本數(shù)據(jù)最大值和最小值。

3.2 模型參數(shù)設(shè)置

本文提出的SVR-GA-BP組合模型包含基于GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和SVR模型,需要設(shè)置的參數(shù)包含三個(gè)方面。

(1)SVR模型參數(shù)通過多次實(shí)驗(yàn)得到以下設(shè)置:核函數(shù)為高斯核函數(shù)(radial basis function,RBF),核函數(shù)參數(shù)σ設(shè)置為2,損失函數(shù)的參數(shù)ε設(shè)為0.2,懲罰參數(shù)C設(shè)為1.0。

(2)根據(jù)樣本數(shù)據(jù)集的格式,影響因素個(gè)數(shù)為9,故BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)量設(shè)為9;模型輸出結(jié)果僅為交通沖突數(shù)量,故輸出層節(jié)點(diǎn)數(shù)量設(shè)為1。隱藏層節(jié)點(diǎn)數(shù)量根據(jù)經(jīng)驗(yàn)公式和多次實(shí)驗(yàn)對比設(shè)為4。為獲取較準(zhǔn)確沖突預(yù)測結(jié)果,選擇0.01作為學(xué)習(xí)率值。激活函數(shù)為Sigmoid函數(shù)。

圖5 SVR-GA-BP組合模型的結(jié)構(gòu)Fig.5 Structure of the SVR-GA-BP combined model

(3)基于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的均方根誤差和參數(shù)適應(yīng)度之間的關(guān)系,通過多次實(shí)驗(yàn)比較分析發(fā)現(xiàn),遺傳算法(GA)的群體大小設(shè)置為30,交叉概率設(shè)置為0.8,變異概率設(shè)置為0.005,迭代次數(shù)設(shè)置為80時(shí),BP神經(jīng)網(wǎng)絡(luò)能夠得到最優(yōu)參數(shù),即最優(yōu)的初始權(quán)重和閾值。

3.3 預(yù)測性能評估指標(biāo)

為評價(jià)預(yù)測模型的效果,選取均方根誤差(root mean squared error,RMSE)、平均絕對誤差(mean absolute error,MAE)、(mean absolute percentage error,MAPE)計(jì)算模型的預(yù)測誤差,準(zhǔn)確率(accuracy)、決定系數(shù)(R2)衡量組合模型的預(yù)測精度,各評價(jià)指標(biāo)的具體計(jì)算公式如下所示。

(1)均方根誤差:

(9)

(2)平均絕對誤差:

(10)

(3)平均絕對百分比誤差:

(11)

(4)準(zhǔn)確率:

(12)

(5)決定系數(shù):

(13)

3.4 預(yù)測結(jié)果對比分析

為驗(yàn)證本文所提組合模型在沖突預(yù)測中的有效性,分別利用SVR-GA-BP組合模型、SVR模型、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測實(shí)驗(yàn),并對比分析預(yù)測結(jié)果。通過將相同訓(xùn)練集數(shù)據(jù)分別導(dǎo)入不同預(yù)測模型,得到一般類型機(jī)非交通沖突預(yù)測結(jié)果和嚴(yán)重類型機(jī)非交通沖突預(yù)測結(jié)果如圖6(a)和圖6(b)所示。實(shí)驗(yàn)中兩種類型機(jī)非沖突預(yù)測模型的參數(shù)一致。

從圖6可以直接看出,三種模型預(yù)測結(jié)果總體趨勢一致。其中,SVR-GA-BP組合模型比單一的BP神經(jīng)網(wǎng)絡(luò)和SVR模型在數(shù)據(jù)預(yù)測方面更精準(zhǔn),預(yù)測結(jié)果更接近真實(shí)值。例如,編號為15的一般類型機(jī)非沖突樣本實(shí)測值為17,SVR預(yù)測值為18.30,BP預(yù)測值為19.21,SVR-GA-BP預(yù)測值為17.40,對比后可以發(fā)現(xiàn)SVR-GA-BP的預(yù)測值與實(shí)測值最為接近;編號為15的嚴(yán)重類型機(jī)非沖突樣本實(shí)測值為4,SVR預(yù)測值為5.38,BP預(yù)測值為4.53,SVR-GA-BP預(yù)測值為4.30,對比后同樣可以發(fā)現(xiàn)SVR-GA-BP的預(yù)測值與實(shí)測值誤差最小。

圖6 機(jī)非交通沖突預(yù)測結(jié)果Fig.6 Traffic conflict prediction results of motorized and non-motorized vehicles

三種模型在不同沖突類型下的預(yù)測誤差曲線如圖7所示。由圖7(a)可以看出,在一般類型機(jī)非沖突預(yù)測實(shí)驗(yàn)中,SVR模型最大預(yù)測誤差超過35%;BP神經(jīng)網(wǎng)絡(luò)大部分預(yù)測誤差超過10%;SVR-GA-BP組合模型的誤差最小,最大預(yù)測誤差不超過10%。由圖7(b)可以看出,在嚴(yán)重類型機(jī)非沖突預(yù)測實(shí)驗(yàn)中,SVR模型的預(yù)測誤差最大,大部分預(yù)測誤差超過15%;BP神經(jīng)網(wǎng)絡(luò)大部分預(yù)測誤差在10%至20%范圍內(nèi);SVR-GA-BP組合模型最大預(yù)測誤差仍未超過10%。

為進(jìn)一步分析不同模型的預(yù)測性能,分別計(jì)算相應(yīng)的性能評價(jià)指標(biāo),如表4和表5所示。由表4和表5可以得出:

圖7 機(jī)非交通沖突預(yù)測誤差Fig.7 Traffic conflict prediction errors of motorized and non-motorized vehicles

(1)在一般類型機(jī)非交通沖突預(yù)測中,與SVR模型相比,SVR-GA-BP組合預(yù)測模型的RMSE、MAE、MAPE分別降低了0.725 1、0.521 3、6.61%,準(zhǔn)確率和R2分別提高了0.069和0.025;與BP神經(jīng)網(wǎng)絡(luò)相比,SVR-GA-BP組合預(yù)測模型的RMSE、MAE、MAPE分別降低了0.82、0.509 8、3.13%,準(zhǔn)確率和R2分別提高0.073和0.051。結(jié)果說明,在一般類型機(jī)非沖突預(yù)測中,本文提出的SVR-GA-BP組合模型預(yù)測性能更優(yōu)。

(2)在嚴(yán)重類型機(jī)非交通沖突預(yù)測中,與SVR模型相比,SVR-GA-BP組合預(yù)測模型的RMSE、MAE、MAPE分別降低了0.493 5、0.420 7、8.69%,準(zhǔn)確率和R2分別提高了0.109和0.144;與BP神經(jīng)網(wǎng)絡(luò)相比,SVR-GA-BP組合預(yù)測模型的RMSE、MAE、MAPE分別降低了0.327 1、0.304 3、5.99%,準(zhǔn)確率和R2分別提高0.08和0.096。在嚴(yán)重類型機(jī)非沖突預(yù)測中,本文提出的SVR-GA-BP組合模型預(yù)測性能更優(yōu)。

綜上所述,本文提出的SVR-GA-BP組合模型在預(yù)測性能上均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVR模型,預(yù)測精度更高且數(shù)據(jù)擬合能力更優(yōu)。

表4 一般類型機(jī)非交通沖突預(yù)測性能評價(jià)表Table 4 Predictive performance for minor traffic conflicts

表5 嚴(yán)重類型機(jī)非交通沖突預(yù)測性能評價(jià)表Table 5 Predictive performance for serious traffic conflicts

4 結(jié)論

利用無人機(jī)視頻獲取機(jī)非沖突樣本,通過分析機(jī)非沖突的空間分布,進(jìn)而確定影響因素,引入機(jī)器學(xué)習(xí)模型構(gòu)建了一種機(jī)非沖突組合預(yù)測模型(SVR-GA-BP),得到如下結(jié)論。

(1)無信號環(huán)形交叉口的機(jī)非沖突主要發(fā)生在交織區(qū)入口處和出口處以及交織區(qū)內(nèi)的外側(cè)車道,其位置與入環(huán)、出環(huán)、在環(huán)行駛的車輛速度、交通量、大車比例有顯著關(guān)系。

(2)機(jī)非沖突預(yù)測模型可以利用直接測量的交通量數(shù)據(jù)、車輛運(yùn)行速度數(shù)據(jù)、車輛類型占比得到機(jī)非沖突數(shù)據(jù),在一定程度上避免了基于視頻數(shù)據(jù)識別交通沖突的復(fù)雜工作。相比單一機(jī)器學(xué)習(xí)模型,SVR-GA-BP組合模型能夠有效提高機(jī)非沖突的預(yù)測精度,使預(yù)測值更接近真實(shí)值。

(3)現(xiàn)實(shí)中無信號環(huán)形交叉口的機(jī)非沖突還可能受到如天氣狀況、道路狀況、節(jié)假日、駕駛?cè)诵詣e、交叉口幾何特征等多種因素的影響,尚未將上述因素納入模型的考慮范圍;同時(shí),實(shí)驗(yàn)數(shù)據(jù)僅針對無信號的平面環(huán)形交叉口,未考慮模型在立體環(huán)形交叉口的適用性。在未來研究中需增加環(huán)形交叉口的類型和更充分的數(shù)據(jù)采集及模型驗(yàn)證。