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)

0 引 言

我國國家統(tǒng)計局提供的數(shù)據(jù)顯示，自2006—2015年，我國民用汽車保有量已從3 697.35萬輛增長到了16 284.50萬輛，隨之而來的是交通擁堵現(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，進而得出相應(yīng)的治理策略.

目前，在道路交通事故預(yù)測方面國內(nèi)外都已提出了許多研究方法，主要有回歸模型法、時間序列法、灰色模型預(yù)測法以及神經(jīng)網(wǎng)絡(luò)預(yù)測法等.Hosse等[1]采用灰色系統(tǒng)理論，預(yù)測了德國直到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)理論模型對短期交通速度和行程時間預(yù)測，得到了較為理想的預(yù)測結(jié)果.李娟等[3]通過對現(xiàn)有交通事故數(shù)據(jù)統(tǒng)計分析，建立了基于BP神經(jīng)網(wǎng)絡(luò)的交通事故預(yù)測模型，并達到了較理想的預(yù)測精度；詹偉等[4]建立了高速公路隧道群的交通事故灰色預(yù)測模型，并進行了改進優(yōu)化，提高了預(yù)測精度；葛麗娜[5]通過研究對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)測精度及其穩(wěn)定性，發(fā)現(xiàn)組合模型的預(yù)測結(jié)果優(yōu)于單一模型.

當(dāng)前國內(nèi)外研究主要針對道路交通事故預(yù)測進行研究，較少涉及交通事故車型分擔(dān)預(yù)測，而事故車型分擔(dān)率預(yù)測對有效控制、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及其事故車型分擔(dān)率影響因素，運用灰色BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，對公路交通事故車型分擔(dān)率預(yù)測，并提出相應(yīng)的預(yù)防策略.

1 公路交通事故車型分擔(dān)率分析

公路交通事故車型分擔(dān)率是指在一段時期內(nèi)所有交通事故中不同車型的事故率，將車輛分為機動車和非機動車，其中，機動車主要包括小汽車、客車、貨車、有軌電車、電瓶車、掛車、專用機械車、拖拉機、農(nóng)用運輸車等.本文根據(jù)云南省2010—2015年道路交通事故數(shù)據(jù)中交通事故常見車型從小轎車、客車、貨車、摩托車和其他車型進行其事故分擔(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，見圖1，各車型事故分擔(dān)率多項式曲線擬合模型見表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高于其他車型，而對于摩托車的管理力度不足，駕駛?cè)税踩庾R薄弱等原因?qū)е陆陙砟ν熊囈恢笔窃颇鲜∈鹿史謸?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)計時存在許多連續(xù)縱坡的線形設(shè)計，在經(jīng)過此類路段時，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，貨車需長時間制動，嚴(yán)重影響其制動效能，產(chǎn)生“熱衰退”現(xiàn)象[6]，更易發(fā)生交通事故.對于貨車的管理不足，超載超速問題嚴(yán)重也是貨車交通事故分擔(dān)率較高的原因.

2 道路交通事故車型分擔(dān)影響因素分析

目前，國內(nèi)外在交通事故方面的研究更多傾向于微觀因素的研究，較少從宏觀層面入手.本文通過分析經(jīng)濟發(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)總值的增長呈現(xiàn)不同的增長狀態(tài)，見圖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)總值快速增長的階段；在人均生產(chǎn)總值達到25 000元以上時，小汽車和客車保有量增長速度明顯提升；而貨車及其他車型保有量處于一種相對穩(wěn)定的微增長狀態(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)一個波動的狀態(tài)，隨人均生產(chǎn)總值的增加，千人汽車保有量越多，國家更加注重交通安全問題的管理和改善，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輛時達到最高，隨后小幅下降后呈現(xiàn)一個相對穩(wěn)定的微增長趨勢；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輛時達到最高，之后呈現(xiàn)一個平穩(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)率呈波動下降；在2010—2015年間，貨車和其他車型每公里車輛數(shù)增長不明顯，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.

3 道路交通事故車型分擔(dān)率預(yù)測模型與驗證

BP神經(jīng)網(wǎng)絡(luò)具有很強的自學(xué)習(xí)、自適應(yīng)能力，能多輸入多輸出實現(xiàn)數(shù)據(jù)的并行處理，灰色模型預(yù)測的結(jié)果比較穩(wěn)定，在數(shù)據(jù)量較少時也能得到較為準(zhǔn)確的預(yù)測結(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，對非線性信息也沒有較好的處理能力.由此可見，灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型可進行優(yōu)勢互補，克服兩種預(yù)測方法的局限性，從而提高預(yù)測精度.本文主要對灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)的組合模型進行探討，提高對交通事故車型分擔(dān)率預(yù)測的精度.

通常，根據(jù)灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(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、神經(jīng)網(wǎng)絡(luò)預(yù)測及三種灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)合方法預(yù)測道路交通事故車型分擔(dān)率，并對比選出最優(yōu)模型.

3.1 單純GM(1,1)預(yù)測模型

本文中道路交通事故車型分擔(dān)率數(shù)據(jù)波動性較大，缺乏規(guī)律，使用傳統(tǒng)的灰色預(yù)測模型預(yù)測結(jié)果精度不高，因此，通過引入緩沖算子消除外界對原始數(shù)據(jù)的隨機干擾，對灰色預(yù)測模型進行改進，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)為非負的數(shù)據(jù)序列時，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)

對應(yīng)緩沖算子D1，X經(jīng)過D1作用后有

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

(2)

3.2 單純BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

Hecht-Nielson提出了在任意閉區(qū)間內(nèi)，都可以用一個隱含層的BP網(wǎng)絡(luò)來逼近一個連續(xù)函數(shù)[9]，即任意的n維到m維的映射可以通過一個三層的BP網(wǎng)絡(luò)來完成.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)練流程見圖5.本文選用含有一個隱層的BP網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)為三個，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)元個數(shù)為一個，即道路交通事故車型分擔(dān)率；經(jīng)MATLAB試驗得出，隱層神經(jīng)元個數(shù)為七個，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]的隨機數(shù).

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

3.3 并聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

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)對目標(biāo)進行預(yù)測，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)測結(jié)果組合，從而得出組合模型的預(yù)測結(jié)果，結(jié)構(gòu)圖見圖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)和平均法計算公式為

(3)

(4)

引用有效度的計算方法確定兩種預(yù)測模型的加權(quán)系數(shù)[10].具體如下：

(5)

At為組合預(yù)測的精度序列，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)測值和實際值計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.

3.4 串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

串聯(lián)型灰色BP神經(jīng)網(wǎng)絡(luò)是將使用GM(1,1)預(yù)測模型的預(yù)測結(jié)果，作為BP神經(jīng)網(wǎng)絡(luò)的輸入值進行組合.本文中采用基于平均弱化緩沖算子改進的GM(1,1)模型對BP神經(jīng)網(wǎng)絡(luò)中各輸入值進行預(yù)測，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)測值，見圖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)計編程訓(xùn)練網(wǎng)絡(luò)，預(yù)測結(jié)果見表2.

3.5 嵌入型灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

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“灰化層”，即使用灰色模型累加的方法對原始數(shù)據(jù)序列進行處理，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)測后，通過“白化層”恢復(fù)預(yù)測數(shù)據(jù)序列，其原理見圖8.

圖8 嵌入型灰色BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.6 模型對比及驗證

本文通過對云南省2010—2014年的交通事故相關(guān)數(shù)據(jù)統(tǒng)計處理，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2015年云南省道路交通事故車型分擔(dān)率，預(yù)測結(jié)果見表2，各模型預(yù)測結(jié)果的相對誤差見表3.

表2 云南省2015年事故車型分擔(dān)率預(yù)測結(jié)果

表3 各模型預(yù)測結(jié)果的相對誤差

由表2～3可知，經(jīng)過改進的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)測值與實際值的相對誤差基本控制在2%以內(nèi)，預(yù)測結(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)模型對云南省2017—2020年公路交通事故車型分擔(dān)率進行預(yù)測，結(jié)果見圖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.隨著經(jīng)濟的發(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的趨勢，但小汽車的事故分擔(dān)率依然不斷增長，客、貨車輛等大中型車輛在長途運輸過程中，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.

4 預(yù)防策略

1) 加強小汽車管理.小汽車事故分擔(dān)率將不斷增長，因此對小汽車加強管理，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，對小汽車實行限號、限購管理；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)范非機動車、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，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；同時規(guī)范電動車出行，出臺共享單車具體管理辦法，改變非機動車無序的交通狀態(tài).

3) 加強大型客、貨車輛的管理.客車的事故分擔(dān)率呈現(xiàn)增長趨勢，且客車發(fā)生事故造成的人員傷亡、財產(chǎn)損失都大于其他車型，貨車的事故分擔(dān)率趨于平穩(wěn)，因此對客、貨車輛都需要進一步管控，對客車、貨車等營運車輛強制安裝GPS系統(tǒng)、行車記錄儀、限速報警裝置等，實行實時監(jiān)控管理，嚴(yán)禁超載、超速違法行為，管控駕駛?cè)诵熊囘^程中打電話、疲勞駕駛等不良駕駛行為.

5 結(jié) 論

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)，可運用到道路交通事故車型分擔(dān)率預(yù)測中.

3) 根據(jù)交通事故車型分擔(dān)率預(yù)測結(jié)果，查找交通事故隱患，對不同車輛實行不同的管理策略，改善交通安全問題，降低交通事故率.

參考文獻

[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[J].吉林大學(xué)學(xué)報(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)施對道路交通事故致因影響分析[J].武漢理工大學(xué)學(xué)報(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)測方法[J].東南大學(xué)學(xué)報(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GM(1,1)模型的預(yù)測效應(yīng)及適用性[J].系統(tǒng)工程理論與實踐,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)測有效度的組合模型在交通量預(yù)測中的應(yīng)用[J].道路交通與安全,2010(1):24-27.