基于神經(jīng)網(wǎng)絡(luò)的交通事故嚴(yán)重程度影響因素研究

葉 飛，張冬梅，郭寶義

(長安大學(xué)汽車學(xué)院，陜西西安 710064)

我國每年死于交通事故的人數(shù)高居世界首位，大量的交通事故已經(jīng)嚴(yán)重影響到國民經(jīng)濟(jì)的快速發(fā)展，威脅到人民的生命財(cái)產(chǎn)安全[1]。交通安全研究的目的不僅在于如何預(yù)防交通事故的發(fā)生，而且還要研究如何降低交通事故的嚴(yán)重程度。交通事故的發(fā)生具有隨機(jī)性和偶然性，因此研究如何最大可能地降低交通事故的危害程度十分必要[2]。交通事故嚴(yán)重程度的影響因素主要包括人、車、路、環(huán)境及交通流特征等[3]。越來越多的學(xué)者關(guān)注駕駛員行為、道路條件和氣候條件與交通事故嚴(yán)重程度的關(guān)系，但多數(shù)只是從定性的角度分析，沒有定量方面的具體研究。文獻(xiàn)[2]通過神經(jīng)網(wǎng)絡(luò)方法研究了高速公路隧道交通事故嚴(yán)重程度的影響因素；文獻(xiàn)[4]通過主成分分析法研究了高速公路交通事故嚴(yán)重程度與交通流特征的關(guān)系；文獻(xiàn)[5]通過一系列人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測了道路交通事故嚴(yán)重程度的重要影響因子，給出了基于不同事故嚴(yán)重程度級別界定方法的八種預(yù)測模型，相對于將事故嚴(yán)重程度等級分為五級來說，給出的模型具有較好的預(yù)測能力；文獻(xiàn)[6]運(yùn)用多層感知器神經(jīng)網(wǎng)絡(luò)分析信號(hào)交叉口交通事故的嚴(yán)重程度，相對于多元Logit模型來說，多層感知器神經(jīng)網(wǎng)絡(luò)模型具有更高的精度。

交通事故受到各方面因素的綜合影響，各因素間關(guān)系錯(cuò)綜復(fù)雜，很難明確界定各因素對事故嚴(yán)重程度影響的具體大小。本文以交通事故嚴(yán)重程度為研究對象，從人、車、路(環(huán)境)及交通流特征等方面選擇12個(gè)輸入?yún)?shù)，建立具有3層感知器(MLP)結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)模型，通過訓(xùn)練優(yōu)化檢驗(yàn)?zāi)Ｐ蛿M合優(yōu)度，分析各獨(dú)立因素對交通事故嚴(yán)重程度影響的大小，為交通安全研究和政策導(dǎo)向提供一定的決策依據(jù)。

1 模型建立

以陜西省境內(nèi)某高速公路2007年—2009年3 a間發(fā)生的1 000起交通事故為研究對象。該高速公路為雙向4車道，統(tǒng)計(jì)路段全長78 km，設(shè)計(jì)行車速度為120 km/h。事故記錄信息中包含日期(是否節(jié)假日)、天氣狀況、駕駛員人口統(tǒng)計(jì)學(xué)相關(guān)信息、事故車輛信息、事故現(xiàn)場道路相關(guān)信息、交通流狀況等。

1.1 輸入?yún)?shù)

根據(jù)事故統(tǒng)計(jì)信息，考慮道路交通事故嚴(yán)重程度影響因素的一般分析方法，從人、車、路系統(tǒng)綜合角度出發(fā)，在獲得的數(shù)據(jù)條目中選取人、車、路(環(huán)境)及交通流特征等方面的12項(xiàng)作為輸入?yún)?shù)，鑒于所選取的事故數(shù)據(jù)中事發(fā)地的道路幾何線形與普通路段幾何線形情況接近，道路幾何線形將不作為考慮因素。事故信息以相關(guān)記錄為準(zhǔn)，少量缺損部分做近似處理，輸入?yún)?shù)包括數(shù)值數(shù)字和邏輯數(shù)字，經(jīng)一致化處理后的預(yù)測模型輸入?yún)?shù)分類及編碼見表l。表1中交通流主成分為交通狀況正常情況下每h通過事故發(fā)生點(diǎn)斷面的大車車輛數(shù)，輛/h，此處用來表征交通流特征。

表1 模型輸入?yún)?shù)分類及編碼

1.2 輸出參數(shù)

從交通事故中人身傷亡和財(cái)產(chǎn)損失程度角度出發(fā)，我國將交通事故分為特大事故、重大事故、一般事故和輕微事故4個(gè)等級。交通事故的發(fā)生是隨機(jī)小概率事件，特大事故和重大事故的發(fā)生概率非常低，從交通事故統(tǒng)計(jì)資料上看，無法判斷某起交通事故屬于哪個(gè)等級。為了便于研究，將交通事故的嚴(yán)重程度分為死亡事故、受傷事故和僅財(cái)產(chǎn)損失事故3種類型，輸出參數(shù)分類及編碼如表2所示。

表2 模型輸出參數(shù)分類及編碼

1.3 模型描述

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力和自組織、自適應(yīng)、自學(xué)習(xí)能力，可以有效地解決復(fù)雜、非線性系統(tǒng)的功能模擬問題，方便尋找系統(tǒng)輸入屬性與輸出屬性之間的影響因子。多層感知器神經(jīng)網(wǎng)絡(luò)是一種前饋人工神經(jīng)網(wǎng)絡(luò)模型，它將輸入的多個(gè)數(shù)據(jù)集通過輸入與輸出之間的多層加權(quán)連接映射到單一的輸出數(shù)據(jù)集上。MLP模型由包含權(quán)矩陣W、偏差向量b和輸出向量pi(i>1)的雙層感知器構(gòu)成，圖1顯示了該MLP模型各層中最終選中的模型，模型中變量的上標(biāo)為其所在層的層數(shù)[7]。

同時(shí)，參數(shù)權(quán)重和網(wǎng)絡(luò)中其它元素的來源(第二指數(shù))和目標(biāo)(第一指數(shù))也以上標(biāo)的形式標(biāo)識(shí)。與輸入向量p1相連接的權(quán)矩陣稱作輸入權(quán)矩陣(IW1,1)，具有來源1(第二指數(shù))和目標(biāo)1(第一指數(shù))。層1的元素帶有上標(biāo)1，例如偏差、網(wǎng)絡(luò)輸入和輸出，表示元素與層1相關(guān)聯(lián)。

模型中使用了權(quán)重層矩陣和輸入權(quán)重矩陣。數(shù)據(jù)被隨機(jī)分成2部分：訓(xùn)練用數(shù)據(jù)和驗(yàn)證用數(shù)據(jù)。根據(jù)輸入?yún)?shù)個(gè)數(shù)可知該MLP模型第一層為輸入層，具有12個(gè)輸入；第二層為隱含層，隱含層的神經(jīng)元數(shù)目選擇是一個(gè)十分復(fù)雜的問題，往往需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次試驗(yàn)來確定，因而不存在一個(gè)理想的解析式來表示，按照公式2N+1個(gè)選取(N為輸入神經(jīng)元的個(gè)數(shù))[8]，確定其具有25個(gè)神經(jīng)元；第三層為輸出層，具有3個(gè)神經(jīng)元，代表輸出參數(shù)相對應(yīng)的3種不同事故的嚴(yán)重程度。

圖1 MLP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

常數(shù)1被賦給每一個(gè)神經(jīng)元的偏差向量，默認(rèn)每一個(gè)中間層的輸出將作為下一層的輸入，那么，層2可以看成是包含有25個(gè)輸入、3個(gè)神經(jīng)元以及3×25的權(quán)矩陣W2的層，在這種情況下，隱含層2為p2。層2中的所有向量和矩陣都已做了標(biāo)注，可以看做是基于自身的單層網(wǎng)絡(luò)模型。多層感知器神經(jīng)網(wǎng)絡(luò)的各層在預(yù)測過程中起著不同的作用，這種雙層網(wǎng)絡(luò)在反向傳播中被廣泛使用。將層2的輸出量p3稱作變化率輸出并標(biāo)記為y。

該模型的目標(biāo)是降低誤差e，T為目標(biāo)向量，e為向量T和輸出向量pi(i>1)之間的差異?；诟兄髑梆伾窠?jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，通過感知器學(xué)習(xí)模式可計(jì)算出感知器權(quán)重和偏差的期望變化(輸出目標(biāo))，給出輸入向量p1以及相應(yīng)的誤差e。網(wǎng)絡(luò)訓(xùn)練的目的是通過最小均方誤差(△MSE)函數(shù)調(diào)整線性網(wǎng)絡(luò)的權(quán)重和偏差，將這些誤差之和的平均值最小化。

1.4 擬合優(yōu)度檢驗(yàn)數(shù)學(xué)模型

對所建立的網(wǎng)絡(luò)模型進(jìn)行擬合優(yōu)度檢驗(yàn)，比較其驗(yàn)證結(jié)果與交通事故實(shí)際嚴(yán)重程度比例的吻合程度。通過誤差平方和(SSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)、相關(guān)系數(shù)(R)4種擬合優(yōu)度檢驗(yàn)方法對已建立的網(wǎng)絡(luò)模型同時(shí)進(jìn)行檢驗(yàn)，選擇擬合優(yōu)度較好的算法進(jìn)行試用[9]。

1)SSE檢驗(yàn)法。SSE用于描述驗(yàn)證結(jié)果與實(shí)際發(fā)生情況之間的總誤差平方和，也即離差平方和ISSE,表示為

(1)

ISSE接近0表示該模型具有較小的隨機(jī)誤差成分，具有更高的精度。

2)RMSE檢驗(yàn)法。RMSE法也稱作標(biāo)準(zhǔn)差法，估量來自數(shù)據(jù)中隨機(jī)成分的標(biāo)準(zhǔn)誤差△RMSE，定義為

(2)

如同ISSE一樣，△RMSE值越接近0，表示預(yù)測模型越適用，RMSE是一種經(jīng)常被用來測量模型預(yù)測值和實(shí)際觀測值之間差別的方法。

3)MAE檢驗(yàn)法。MAE法估計(jì)平均絕對誤差，即估計(jì)值與真實(shí)值差的絕對值的平均值MAE，定義為

(3)

4)R檢驗(yàn)法。相關(guān)系數(shù)矩陣R表示變量之間線性關(guān)系的顯著性，R由輸入矩陣X計(jì)算而來，X的行變量為觀測值，列變量為變量值，矩陣R與X的協(xié)方差矩陣C=cov(X)有關(guān)，表示為

(4)

式中 C(i，j)為矩陣C的第i行第j列元素；C(i，i)為矩陣C的第i行第i列元素；C(j，j)為矩陣C的第j行第j列元素。

相關(guān)系數(shù)值為-1～1，接近1表示變量之間具有正的線性相關(guān)性，接近-1表示變量之間具有負(fù)的線性相關(guān)性，接近或者等于0表示變量之間的線性關(guān)系不存在。

2 MLP模型求解

基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，針對圖1中所示的MLP模型，定義輸入輸出參數(shù)，根據(jù)事故數(shù)據(jù)對模型進(jìn)行訓(xùn)練，訓(xùn)練階段使用70%的原始數(shù)據(jù)，驗(yàn)證階段使用30%的原始數(shù)據(jù)。

式中 f3為線性(pureline)傳輸函數(shù)。

△MSE的最大下降率所處的迭代點(diǎn)的更新連接權(quán)重系數(shù)[10]的計(jì)算公式為

3 結(jié)果分析

3.1 相關(guān)性分析

從模型輸出結(jié)果中選取與訓(xùn)練樣本相對應(yīng)的等量樣本，通過MATLAB軟件對部分輸入?yún)?shù)與事故嚴(yán)重程度之間的相關(guān)性進(jìn)行分析，在MATLAB軟件中的處理過程為：

StdX=std(X)；%標(biāo)準(zhǔn)化處理，

VarX=var(X)；%得到方差矩陣，

…

RX=corrcoef(X)；%計(jì)算相關(guān)系數(shù)矩陣。

得到駕駛員年齡、事故類型、駕駛員性別、路面情況、交通流特征、天氣情況等與交通事故嚴(yán)重程度之間的相關(guān)性系數(shù)R分別為0.766、0.495、0.817、0.966、0.992、0.959?？梢娊⒌纳窠?jīng)網(wǎng)絡(luò)模型很好地實(shí)現(xiàn)了復(fù)雜影響因子與交通事故嚴(yán)重程度之間的映射關(guān)系。駕駛員性別、駕駛員年齡、事故類型與交通事故嚴(yán)重程度的相關(guān)系數(shù)R<0.95，相關(guān)性不顯著，對交通事故嚴(yán)重程度的影響可以忽略不計(jì)；天氣情況、路面情況與交通事故嚴(yán)重程度的相關(guān)系數(shù)R∈(0.95，0.99)，相關(guān)性較顯著，天氣情況、路面情況對交通事故嚴(yán)重程度的影響程度基本相同；交通流特征與交通事故嚴(yán)重程度的相關(guān)性極顯著(R=0.992>0.99)，交通流特征對交通事故嚴(yán)重程度影響最大，交通流主成分值越大，交通事故嚴(yán)重程度等級越低，在某些流量大、速度高或大車比例較大的區(qū)段交通事故嚴(yán)重程度明顯處于較高的水平。

3.2 模型有效性檢驗(yàn)

MLP網(wǎng)絡(luò)模型所有樣本的輸出值Y與目標(biāo)輸出值T的回歸曲線以及總響應(yīng)的回歸散點(diǎn)圖如圖2所示，回歸曲線方程為：Y=0.75T+0.082,圖2中Y=T表示MLP模型輸出值與目標(biāo)輸出值之間最理想的線性關(guān)系，在MLP模型中總響應(yīng)相關(guān)系數(shù)值為0.873 19。圖3為訓(xùn)練和驗(yàn)證階段的誤差曲線圖，可以看出，神經(jīng)網(wǎng)絡(luò)迭代過程中的均方誤差開始從一個(gè)較大的值逐漸減小，說明網(wǎng)絡(luò)的學(xué)習(xí)能力在增強(qiáng)。在迭代次數(shù)為7次時(shí)驗(yàn)證階段的誤差曲線到達(dá)最低點(diǎn)，出現(xiàn)最佳驗(yàn)證效能，誤差值為0.086 670。當(dāng)網(wǎng)絡(luò)記錄下訓(xùn)練的設(shè)置之后，訓(xùn)練結(jié)束，這種技術(shù)避免了很多優(yōu)化和學(xué)習(xí)算法中出現(xiàn)的過度匹配困擾。

圖2 MLP模型回歸曲線圖及總響應(yīng) 圖3 MLP模型中的驗(yàn)證誤差

對所建立的感知器神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擬合優(yōu)度檢驗(yàn)，基于模型輸出結(jié)果中選取的等量樣本數(shù)據(jù)以及訓(xùn)練樣本數(shù)據(jù)，運(yùn)用擬合優(yōu)度檢驗(yàn)數(shù)學(xué)模型(1)～(4)，得到ISSE、△RMSE、△MAE、R分別為123.437 30、0.229 79、0.161 78、0.873 19，△MAE和△RMSE數(shù)值極小，可以看出所建立的感知器神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生的誤差較小，是分析交通事故嚴(yán)重程度影響因素的有效方式。

圖4給出了針對死亡事故、受傷事故、僅財(cái)產(chǎn)損失事故3個(gè)嚴(yán)重程度等級的回歸曲線，3種事故樣本的模型輸出值Y相對于目標(biāo)輸出值T的回歸曲線方程分別為Y=0.68T+0.016、Y=0.7T+0.94、Y=0.76T+0.012,同時(shí)給出了相應(yīng)等級下的相關(guān)系數(shù)R分別為：0.837 23、0.851 37和0.884 93，僅財(cái)產(chǎn)損失事故等級的相關(guān)系數(shù)R明顯高于其它等級，分析結(jié)果與實(shí)際發(fā)生情況相符合，網(wǎng)絡(luò)模型能夠較好地適用于交通事故嚴(yán)重程度影響因素的分析。

圖4 MLP模型中各等級嚴(yán)重程度的回歸曲線

4 結(jié)論

1)以人、車、路(環(huán)境)及交通流方面的因素為輸入?yún)?shù)，以交通事故嚴(yán)重程度為輸出參數(shù)構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)模型，通過對模型的訓(xùn)練和驗(yàn)證，并檢驗(yàn)?zāi)Ｐ偷臄M合優(yōu)度，求解回歸曲線及總響應(yīng)，在12個(gè)輸入?yún)?shù)與交通事故嚴(yán)重程度之間建立了良好的相關(guān)性，相關(guān)系數(shù)R=0.873 19，表明模型有效。

2)駕駛員性別、年齡、事故類型與交通事故嚴(yán)重程度的相關(guān)性不顯著，天氣情況、路面情況與交通事故嚴(yán)重程度顯著相關(guān)，交通流特征與交通事故嚴(yán)重程度相關(guān)性極顯著(R=0.992)，準(zhǔn)確分析這些因素造成的影響，將有助于改進(jìn)交通工具和高速公路的設(shè)計(jì)，以減輕交通事故嚴(yán)重的程度。

3)建立的模型同樣適用于數(shù)據(jù)添加之后的分析，添加數(shù)據(jù)之后再使用該模型進(jìn)行分析時(shí)，需要從初始權(quán)重矩陣和偏差矩陣重新計(jì)算出新的權(quán)重值和偏差值。

參考文獻(xiàn)：

[1]王洪明.我國公路交通事故的現(xiàn)狀及特征分析[J].中國安全科學(xué)學(xué)報(bào)，2009，19(10)：121-126.

[2]馬壯林， 邵春福， 董春嬌，等. 基于累積Logistic模型的交通事故嚴(yán)重程度時(shí)空分析[J].中國安全科學(xué)學(xué)報(bào)，2011，21(9)：94-99.

[3]Boufous S，F(xiàn)inch C，Hayen A，et al. The Impact of Environmental， Vehicle and Driver Characteristics on Injury Severity in Older Drivers Hospitalized as a Result of a Traffic Crash[J].Journal of Safety Research，2008，39(1)，65-72.

[4]侯樹展, 孫小端, 賀玉龍,等. 高速公路交通事故嚴(yán)重程度與交通流特征的關(guān)系研究[J].中國安全科學(xué)學(xué)報(bào)，2011，21(9)：106-112.

[5]Delen D，Sharda R，Bessonov M. Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Networks[J].Accident Analysis & Prevention，2006，38(3)，434-444.

[6]Abdel wahab H T，Abdel-Aty M A. Development of Artificial Neural Network Models to Predict Driver Injury Severity in Traffic Accidents at Signalized Intersections[J].Transportation Research Record，2001，1746：6-13.

[7]Kunt M M，Aghayan I，Noii N. Prediction for Traffic Accident Severity：Comparing the Artificial Neural Network，Genetic Algorithm，Combined Genetic Algorithm and Pattern Search Methods[J].Transport，2011，26(4)，353-366.

[8]Kawashima M.Artificial Neural Network Backpropagation Model with Three-Phase Annealing Developed for the Building Energy Predictor Shootout. ASHRAE Transactions, 1994, 100(2)：1095-1103.

[9]薛毅，陳立萍.統(tǒng)計(jì)建模與R軟件[M].北京：清華大學(xué)出版社，2007.

[10]Yeung D S，Cloete I，Shi D，et al. Sensitivity Analysis for Neural Networks：Natural Computing Series[M].Berlin：Springer，2009.