季 芳，熊 堅，楊文臣，郭鳳香

(1.昆明理工大學 交通工程學院，云南 昆明 650500；2.云南省交通規(guī)劃設計研究院，云南 昆明 650500)

隨著我國山區(qū)高速公路里程的不斷增長，山區(qū)高速公路的交通安全狀況引起人們的重視。大量研究表明，人是致使高速公路交通事故發(fā)生的主要因素。但不可否認的是，仍存在由道路線形條件復雜、天氣狀況惡劣等其他因素直接或間接導致的大量交通事故。因此，研究山區(qū)高速公路的交通事故預測模型具有重大的實用價值[1-4]。鑒于此，本文期望可以從現(xiàn)有的大量山區(qū)高路公路的交通事故記錄中，通過對非人為因素的分析，來預測山區(qū)高速公路的交通事故。從而更好地識別山區(qū)高速公路上的高危路段，給予駕駛人更全面的駕駛提醒，提高山區(qū)高速公路的安全性。

傳統(tǒng)的一些預測模型，包括概率預測法、貝葉斯預測模型等。在山區(qū)高速公路這一復雜的系統(tǒng)中，其在研究多個因素對交通事故的影響方面均存在不足，無法做出有效的預測[5-7]。此外，山區(qū)高速公路的事故發(fā)生存在較大的隨機性，各影響因素與事故間不存在嚴格的線性關系。因此，需要選擇一些用于非線性關系研究模型來做預測。本文采用基于粒子群優(yōu)化的BP網絡建立了山區(qū)高速公路的事故嚴重等級的預測模型，并基于昆石高速公路的事故數(shù)據(jù)對模型進行驗證。

1 粒子群優(yōu)化的BP算法

1.1 粒子群算法的原理

粒子群中的粒子所在的位置在不斷地更新，是根據(jù)下列公式進行位置移動的

(1)

(2)

式中，i=1,2,…,m；d=1,2,…,D；w是一個非負數(shù)，是粒子群的慣性因子；加速常數(shù)c1和c2均為非負常數(shù)，一般取值為2；r1和r2是[0，1]范圍內隨機變換的一個隨機數(shù)值；α為粒子群的約束因子，調控粒子速度的權重[10]。

1.2 粒子群優(yōu)化的BP網絡

BP算法自身存在以下不足：(1)BP算法的收斂速度偏慢，尤其當訓練樣本的數(shù)量極為龐大時；(2)存在局部最優(yōu)問題，導致整體學習和訓練結果不佳。因此，用粒子群算法優(yōu)化神經網絡的學習算法，彌補BP網絡的不足，并提高BP網絡的收斂速度及網絡的學習能力。

基于粒子群優(yōu)化的BP神經網絡，如圖1所示。

圖1 基于粒子群優(yōu)化的BP網絡結構圖

2 交通事故預測模型建立

2.1 輸入層、輸出層變量的確定

(1)輸入層變量。輸入層變量主要包括一些對交通事故嚴重程度有著緊密聯(lián)系的影響因素，當然不是所有的影響因素均能夠作為輸入層的變量，變量的選取也需要結合實際的數(shù)據(jù)情況[11]。綜合實際事故記錄情況，確定以下5個變量為BP網絡模型的輸入層變量：1)時間：據(jù)夜間事故死亡率的分析顯示：高速公路夜間的交通事故率比白天大1～1.5倍；2)天氣：根據(jù)云南的氣候情況和所記錄的事故數(shù)據(jù)分析，本文的天氣情況主要包括：晴、陰、雨、霧4類；3)車輛類型：發(fā)生事故時車輛的數(shù)目是隨機的，車輛類型也難以做出一個統(tǒng)一的判定，本文在處理該問題時，采用了肇事車輛的車型來量化這一影響因素；4)道路平曲線半徑：道路平曲線半徑設計不當是發(fā)生交通事故的主要原因之一，本文將道路平曲線半徑分為4個等級；5)道路縱坡坡度：縱坡坡度過大時，需要保持車輛的合理速度，維持連貫的駕駛狀態(tài)將對行車安全造成較大的影響。相關研究表明，在長下坡極易發(fā)生交通事故。

(2)輸出層變量。為了分析輸入因素對事故的影響，將事故嚴重等級作為輸出變量。基于昆石高速公路的事故記錄情況，選擇事故的傷亡人員數(shù)作為事故嚴重等級的衡量標準。根據(jù)相關事故等級的劃分標準，本文將事故嚴重等級量化為0,1,2,3這4個等級：1)輕微事故：輕傷1～2人，財產損失機動車事故不足1 000元；2)一般事故：重傷1～2人，或輕傷3人以上，財產損失不足3萬元；3)重大事故：死亡1～2人，或者重傷3人以上10人以下，財產損失3萬元以上不足6萬元；4)特大事故：死亡3人以上，或者重傷11人以上，同時重傷8人以上或者死亡2人，同時重傷5人以上，財產損失6萬元以上。

在考慮事故嚴重等級時，為了讓輸出的結果能夠有一個統(tǒng)一的量化標準。在本文的研究中，事故的嚴重程度還是以人員傷亡情況作為主要衡量標準的。因財產損失存在一定的估計，采用傷亡人員數(shù)作為衡量標準同時也體現(xiàn)了安全為第一的原則。

2.2 輸入層、輸出層的數(shù)據(jù)量化

事故數(shù)據(jù)的記錄，大多為文字記錄，難以直接應用于事故預測模型。根據(jù)本文所采用的BP網絡模型的需要，對這些數(shù)據(jù)進行了量化處理[12]。在數(shù)據(jù)整理篩選完畢后，基于所選的312個抽樣數(shù)據(jù)來建立模型?；诖?，對數(shù)據(jù)的量化處理是本文事故數(shù)據(jù)處理的主要工作。具體的變量量化情況，如表1所示。

表1 變量的量化

3 模型仿真驗證

3.1 模型的網絡訓練和測試

鑒于MATLAB神經網絡工具箱的方便實用，本文采用它來實現(xiàn)該網絡。將神經網絡的均方誤差作為粒子群算法的適應度，適應度的計算通過調用子函數(shù)來實現(xiàn)[13-16]具體神經網絡模型的實現(xiàn)過程，如圖2所示。可見網絡的模型建立，是通過5個輸入層的輸入變量，經過隱含層，來實現(xiàn)輸出層的1個變量的輸出。

圖2 神經網絡模型的實現(xiàn)過程

完成編程后，對數(shù)據(jù)進行神經網絡的訓練以及測試。本文以昆石高速公路K0～K78路段，2008年～2012年之間的312條事故數(shù)據(jù)為樣本數(shù)據(jù)。并隨機抽取樣本數(shù)據(jù)中的260條作為模型的訓練數(shù)據(jù)，將剩下的52條作為測試數(shù)據(jù)進行模型驗證。通過不斷迭代，使數(shù)據(jù)訓練的效果達到較佳水平。最終網絡的訓練結果，如圖3所示。

圖3 均方誤差(MSE)變化趨勢圖

由圖可見，PSO-BP的網絡收斂速度比BP的收斂速度快，且PSO-BP最后達到的網絡均方誤差值也相較BP更小，這也體現(xiàn)了粒子群算法的優(yōu)化效果?；旧系恋?代以后，PSO-BP網絡的誤差已趨于收斂，而不加優(yōu)化的BP網絡還未呈現(xiàn)出明顯的收斂趨勢。同時，還可以看出在多次迭代之后，PSO-BP的網絡誤差值明顯低于BP網絡的誤差值。

經過網絡的迭代訓練，最終的網絡訓練集和測試集誤差如表2所示。

表2 整體網絡誤差對比表

從表2可得出結論：(1)PSO-BP模型的總體誤差比BP模型??；(2)兩個模型的訓練集誤差均比測試集誤差小。這是因訓練集的誤差是模型經過多次迭代而來的，而測試集的誤差是將測試集的數(shù)據(jù)直接放入模型進行的驗證，不存在迭代，是一次驗證而出的結果。

將樣本中所取的52條測試數(shù)據(jù)放入模型進行驗證，該52條測試數(shù)據(jù)所驗證的模型的預測準確率為89.6%。這一驗證結果說明，所建立的預測模型可用作事故嚴重等級的預測分析。

3.2 模型仿真結果分析

所建立的模型在上一節(jié)通過驗證且準確率較佳，故在預測模型的基礎上，進行仿真模擬分析，研究單個影響因素與事故嚴重程度間的關系，以期得到一定的事故發(fā)生規(guī)律。

在所有的仿真結果分析中，均給出統(tǒng)一的情境設定，5個輸入層變量定為：凌晨；晴天；重型貨車；半徑為600～2 000 m；坡度取值區(qū)間為[-5，-3)；所設定的情境輸入層數(shù)據(jù)量化后為：(0，0，4，0，1)。

(1)時間-事故的預測分析。在時間-事故的輸入輸出關系研究中，設定的情境輸入層數(shù)據(jù)量化為：(*，0，4，0，1)，通過模型的仿真模擬，得出事故嚴重等級預測值，據(jù)此進行時間-事故間的關系分析。程序運行后，模型的預測結果如圖4所示。

圖4 時間與傷亡人數(shù)的量化關系圖

圖4中，橫坐標為量化的時間，為0～3，表征凌晨、上午、下午、晚上這4個時間段；縱坐標為量化的傷亡人員數(shù)，表征事故的嚴重等級。發(fā)現(xiàn)在時間段0，即凌晨0:00～8:00；其次在時間段3，也就是晚上的18:00～0:00，事故的嚴重等級預測值較高，模型預測在這兩個時間段更易發(fā)生嚴重的交通事故。這一現(xiàn)象的可能原因是在深夜與凌晨這兩個時間段，駕駛人更易出現(xiàn)疲勞駕駛以及貨車存在的超載現(xiàn)象，導致較為嚴重的事故發(fā)生。

(2)天氣-事故的預測分析。在天氣-事故的輸入輸出關系研究中，設定的情境輸入層數(shù)據(jù)量化為：(0，*，4，0，1)。通過模型的仿真模擬，得出事故嚴重等級預測值，據(jù)此進行天氣-事故間的關系分析。程序運行后，模型的預測結果如圖5所示。

圖5 天氣與傷亡人數(shù)的量化關系圖

圖5中，橫坐標為量化的天氣，賦值為0～3，表征晴、陰、雨、霧這4種天氣狀況；縱坐標為量化的傷亡人員數(shù)，表征事故的嚴重等級?？梢钥闯?，在天氣情況為2和3時，也就是雨天與霧天的天氣狀況下，事故的嚴重等級預測值較高，模型預測在雨天及霧天更易發(fā)生嚴重的交通事故。這一現(xiàn)象可能的原因是因為在高速公路上的車輛行駛車速較高，雨天狀況下路表摩擦降低，更易發(fā)生事故；霧天狀況下，駕駛人的視覺觀察能力受限，極易導致多車追尾事故，致使重大事故的發(fā)生。

(3)半徑-事故的預測分析。在半徑-事故的輸入輸出關系研究中，設定的情境輸入層數(shù)據(jù)量化為：(0，0，4，0，*)。通過模型的仿真模擬，得出事故嚴重等級預測值，據(jù)此進行半徑-事故間的關系分析。程序運行后，模型預測結果如圖6所示。

圖6 半徑與傷亡人數(shù)的量化關系圖

圖6中，橫坐標為量化的半徑，賦值為0～3，表征4種半徑的取值范圍；縱坐標為量化的傷亡人員數(shù)，表征事故的嚴重等級。可見，在半徑編號為0和1時，即在半徑取值范圍為0～600 m和600～1 500 m時，事故的嚴重等級預測值均較高，模型預測在這兩個半徑取值范圍內的地點更易發(fā)生嚴重的交通事故。這一現(xiàn)象可能的原因是在小半徑處，尤其是曲線半徑驟然變小時，若保持原有的行車速度，易發(fā)生側翻事故，導致嚴重事故的發(fā)生。

(4)車輛類型-事故的預測分析。在車輛類型-事故的輸入輸出關系研究中，設定的情境輸入層數(shù)據(jù)量化為：(0，0，*，0，1)。通過模型的仿真模擬，得出事故嚴重等級預測值，進行車輛-事故的關系分析。程序運行后，模型預測結果如圖7所示。

圖7 車輛類型與傷亡人數(shù)的量化關系圖

圖7中，橫坐標為量化的車輛類型，賦值為0～6，表征7種類型的肇事車輛；縱坐標為量化的傷亡人員數(shù)，表征事故的嚴重等級?？梢钥闯?，在車輛類型編號為3和5時，即在車輛為重型貨車和汽車列車的情況下，事故的嚴重等級預測值較高，模型預測這兩類車型更易發(fā)生嚴重的事故。這一現(xiàn)象可能的原因是在山區(qū)高速公路上，重型貨車和汽車列車的裝載大且車速較快。尤其與客車發(fā)生碰撞時，極易造成人員傷亡，致使嚴重事故的發(fā)生。

4 結束語

本文采用基于粒子群優(yōu)化的BP網絡建立了山區(qū)高速公路的事故嚴重等級的預測模型，并基于昆石高速公路的事故數(shù)據(jù)對模型進行驗證。經驗證，模型的預測效果較佳。預測準確率為89.6%后，通過設定情境，用模型進行仿真分析，得出了一些事故發(fā)生規(guī)律。仿真結果表明：在凌晨時段、雨霧天、以及在小半徑處，駕駛重型貨車等情況下，更易發(fā)生嚴重的事故，這就需要駕駛人在這些情況下更加注重行車安全。