楊 濤 李書卉

（1、河北水利電力學(xué)院，河北 滄州061001 2、大元建業(yè)集團(tuán)股份有限公司，河北 滄州061001）

1 概述

隨著目前國內(nèi)交通行業(yè)的發(fā)展，城市道路系統(tǒng)日益完善，為居民生活出行提供了很大的便利條件[1]。但隨著居民生活質(zhì)量的提高，在一定程度上增加了交通事故的出現(xiàn)頻率，提高了道路風(fēng)險(xiǎn)[2]。掌握道路交通事故的發(fā)展變化趨勢(shì)，分析不同類型車輛事故發(fā)生率走勢(shì)，成為了道路交通管理部門面臨的重要課題。

雖然國內(nèi)對(duì)道路交通風(fēng)險(xiǎn)預(yù)測(cè)已有了部分研究，但精度普遍較低。為解決這一問題，本文基于極限學(xué)習(xí)機(jī)（ELM）模型、廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）模型和小波神經(jīng)網(wǎng)絡(luò)（WNN）模型3 種機(jī)器學(xué)習(xí)模型對(duì)道路交通風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行分析，通過分析不同隱含層個(gè)數(shù)對(duì)機(jī)器學(xué)習(xí)模型模擬過程的影響，找出機(jī)器學(xué)習(xí)模型的最優(yōu)輸入?yún)?shù)，并針對(duì)小汽車、客車和貨車等不同車型進(jìn)行預(yù)測(cè)。

2 模型構(gòu)建及評(píng)價(jià)指標(biāo)確定

2.1 極限學(xué)習(xí)機(jī)模型

極限學(xué)習(xí)機(jī)模型（ELM）[3]可以很好地克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)，在回歸檢驗(yàn)、模型預(yù)測(cè)領(lǐng)域已得到了極大的應(yīng)用。

2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)模型

廣義回歸神經(jīng)網(wǎng)絡(luò)模型（GRNN）[4]是以樣本數(shù)據(jù)為后驗(yàn)條件，執(zhí)行Parzen 非參數(shù)估計(jì)，依據(jù)概率最大原則計(jì)算網(wǎng)絡(luò)輸出的徑向基網(wǎng)絡(luò)。

2.3 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)模型（WNN）[5]是一種以BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，將小波基函數(shù)作為隱含層節(jié)點(diǎn)傳遞函數(shù)，（轉(zhuǎn)下頁）信號(hào)向前傳播的神經(jīng)網(wǎng)絡(luò)。

2.4 評(píng)價(jià)指標(biāo)體系構(gòu)建

利用均方根誤差（RMSE）、模型效率系數(shù)（Ens）和決定系數(shù)（R2）分析各模型模擬精度。

3 結(jié)果與分析

3.1 模型隱含層個(gè)數(shù)確定

圖1 ELM 模型隱含層個(gè)數(shù)確定（圖中字母分別代表：a 隱含層個(gè)數(shù)為3 個(gè)，b 隱含層個(gè)數(shù)為6 個(gè)，c 隱含層個(gè)數(shù)為10 個(gè)，d 隱含層個(gè)數(shù)為12 個(gè)）

3.2 不同模型模擬事故風(fēng)險(xiǎn)結(jié)果對(duì)比

下表為不同模型對(duì)道路2014～2018 年道路風(fēng)險(xiǎn)檢測(cè)數(shù)據(jù)的預(yù)測(cè)。ELM模型的精度最高，其RMSE 的值最高僅為0.207，而Ens和R2的值均在0.88 以上，與實(shí)測(cè)值的相關(guān)性達(dá)到了極顯著水平（P＜0.01）。

不同模型模擬精度對(duì)比

3.3 不同車型分擔(dān)率預(yù)測(cè)對(duì)比

圖2 為不同模型對(duì)不同車型事故發(fā)生率的預(yù)測(cè)。圖4 顯示，ELM模型對(duì)不同車型事故分擔(dān)率模擬結(jié)果與實(shí)測(cè)值最為接近，WNN 模型和GRNN 模型的模擬結(jié)果雖與實(shí)測(cè)值的變化趨勢(shì)基本一致，但均在一定程度上高估了不同車型的事故發(fā)生率，ELM模型為精度最高的模型。

圖2 不同模型對(duì)不同事故車型分擔(dān)率的預(yù)測(cè)結(jié)果

4 結(jié)論

本文通過分析不同車型事故發(fā)生分擔(dān)率，掌握了不同車型在近幾年發(fā)生事故概率的變化情況，同時(shí)基于極限學(xué)習(xí)機(jī)（ELM）模型、廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）模型和小波神經(jīng)網(wǎng)絡(luò)（WNN）模型等3 種機(jī)器學(xué)習(xí)模型，建立了道路風(fēng)險(xiǎn)檢測(cè)的預(yù)測(cè)模型，可為相關(guān)部門預(yù)防措施制定提供依據(jù)。