虞博翔，楊金云

（徐州工程學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院，江蘇 徐州 221018）

0 引言

道路交通事故不僅受到道路運輸系統(tǒng)不同因素的限制，還受到許多隨機(jī)因素的影響。例如交通事故發(fā)生時所處的道路環(huán)境、涉事車輛相關(guān)狀況等。除此之外，人為導(dǎo)致因素或者偶然因素也需要考慮，包括地形、道路情況、當(dāng)天時間段以及天氣情況等。所以交通事故涉及的要素紛繁復(fù)雜。然而大量實際數(shù)據(jù)表明，交通事故的嚴(yán)重程度實際上也會受其他要素的影響。因此，探究道路交通事故主要影響因素，可以為我國交通管理部門從多方面提供相應(yīng)的建議。

1 AHP模型分析主要因素

1.1 AHP模型

AHP模型的建立[11]主要包括以下三點：1、建立層次結(jié)構(gòu)模型；2、構(gòu)造成對比矩陣；3、層次單排序及一致性檢驗。

目前，我國道路交通事故信息收集與管理由公安部交管局進(jìn)行，并遵循相同指標(biāo)體系，結(jié)合信息采集項目表的內(nèi)容以及相關(guān)文獻(xiàn)[1]確定交通事故發(fā)生的原因的四個方面:駕駛員、車輛、環(huán)境和道路的相應(yīng)指標(biāo)。將駕駛員因素分為超速駕駛、疲勞駕駛、酒駕、無證駕駛和操作不當(dāng)；道路狀況包括路面狀況、道路線型、路面材料結(jié)構(gòu)、交通標(biāo)志標(biāo)線、安全設(shè)施；車輛因素包括車輛類型、超載量、行駛狀態(tài)、車輛安全狀態(tài)以及車輛使用性質(zhì)；而環(huán)境條件包括天氣情況、地形、交通信號方式、能見度以及時間段這些因素。

1.2 AHP模型的求解

將駕駛員因素作為目標(biāo)層，以超速駕駛、疲勞駕駛、等指標(biāo)作為準(zhǔn)則層。將準(zhǔn)則層各因素對于上一層準(zhǔn)則的影響程度進(jìn)行比較，確定相應(yīng)比重，比較時取1-9尺度，運用Expert Choice 軟件[10]求解，則有

圖1 比重圖

其中黑色的值代表為正值，紅色的數(shù)值代表為倒數(shù)值：超速駕駛與酒駕的比值為黑色數(shù)值1，代表對于駕駛員因素而言超速駕駛比酒駕重要，但重要程度很低；而疲勞駕駛與酒駕比值為紅色數(shù)值4，代表對于駕駛員因素而言路疲勞駕駛沒有酒駕重要，且酒駕重要程度更高。

最終得到準(zhǔn)則層各影響因素的權(quán)值大小為

如圖2所示，超速駕駛的權(quán)值最高為0.372，表明其對駕駛員因素有著較大的影響；影響力較次的酒駕，權(quán)值為0.342；往后無證駕駛權(quán)值為0.162；疲勞駕駛的權(quán)值為0.076；操作不當(dāng)?shù)臋?quán)值最低為0.048。并且，圖中Incon=0.07代表一致性檢驗值CR=0.07 ＜0.1，表明上述權(quán)值確定是合理的。由此可見，對于駕駛員因素而言，超速駕駛為交通事故的主要影響因素，根據(jù)所得權(quán)值，酒駕也是比較重要的影響因素。相應(yīng)的，疲勞駕駛以及操作不當(dāng)對交通事故的影響不大。

圖2 各因素權(quán)值圖

其余指標(biāo)分析結(jié)果如下：

綜上所述，從駕駛員、車輛、環(huán)境和道路四個方面進(jìn)行分析，得出超載量和天氣情況、超速駕駛、道路線型為交通事故的主要影響因素。根據(jù)所得權(quán)值，安全設(shè)施完善、酒駕、標(biāo)志標(biāo)線完善、以及能見度也是比較重要的因素。

2 交通事故預(yù)測

運用Matlab軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)算法的編程，以1995年到2019年的交通事故發(fā)生量數(shù)據(jù)來預(yù)測未來三年的交通事故發(fā)生數(shù)總計。

BP神經(jīng)網(wǎng)絡(luò)各階段的訓(xùn)練圖像：

由圖4 可知：G r a die n t為梯度下降法的函數(shù)；Validation Checks= 6 echo，代表系統(tǒng)判斷這個誤差是否在連續(xù)6次檢驗后不下降，如果不下降或者甚至上升，說明Training set訓(xùn)練的誤差已經(jīng)不再減小，沒有更好的效果了，這時再訓(xùn)練就沒必要了就停止訓(xùn)練，不然可能陷入過學(xué)習(xí)[7]。At epoch 10代表此次訓(xùn)練一共訓(xùn)練了10次才結(jié)束。

圖4 各階段訓(xùn)練圖像

圖5中小圓圈的位置代表終止的訓(xùn)練次數(shù)處的均方誤差，藍(lán)色柱形代表BP訓(xùn)練過程的MSE指標(biāo)在每一代中的表現(xiàn)，總體呈現(xiàn)先下降最后趨于平穩(wěn)的趨勢；隨訓(xùn)練次數(shù)的增加訓(xùn)練集、驗證集、測試集和總體的均方誤差均趨于平穩(wěn)。

圖5 訓(xùn)練集、驗證集、測試集和總體的均方誤差隨訓(xùn)練次數(shù)的變化圖像

圖6中黑色點代表目標(biāo)數(shù)據(jù)值，藍(lán)色點代表輸出數(shù)據(jù)值，黃色虛線代表的是目標(biāo)數(shù)據(jù)于對應(yīng)的輸出數(shù)據(jù)的誤差，由圖可知，只有少數(shù)點存在誤差，即目標(biāo)數(shù)據(jù)與輸出數(shù)據(jù)大體相同，可進(jìn)行預(yù)測。

圖6 目標(biāo)數(shù)據(jù)與輸出數(shù)據(jù)之間的誤差數(shù)據(jù)對比圖

由圖7可知訓(xùn)練樣本的擬合優(yōu)度為99.99%，測試集的擬合優(yōu)度為74.46%，這個擬合證明了網(wǎng)絡(luò)訓(xùn)練效果優(yōu)秀，可以通過BP預(yù)測模型對2020年、2021年以及2022年的交通事故量進(jìn)行預(yù)測：

圖7 訓(xùn)練集、驗證集的擬合優(yōu)度圖

圖8 預(yù)測數(shù)據(jù)圖

即2020年、2021年以及2022年的交通事故預(yù)測發(fā)生數(shù)分別為234832件、233784件以及238158件。

3 結(jié)論

綜上所述，從駕駛員、車輛、環(huán)境和道路四個方面進(jìn)行分析，得出超載量和天氣情況、超速駕駛、道路線型為交通事故的主要影響因素。根據(jù)所得權(quán)值，酒駕、標(biāo)志標(biāo)線完善、能見度以及安全設(shè)施完善也是比較重要的因素。從預(yù)測的數(shù)據(jù)來看，未來幾年交通事故發(fā)生量會存在小幅波動，為減少交通事故的發(fā)生，一是駕駛員在開車時要時刻遵守交通規(guī)則，不超速，不酒駕，在保證安全的條件下行駛；二是交通管理部門要加強(qiáng)道路限速標(biāo)志，對駕駛安全意識進(jìn)一步的宣傳。