基于多源数据挖掘技术的道路交通安全风险评估与对策研究

发布时间：2024-03-21 04:36

　　为探讨道路交通安全风险与交通相关因素之间的相关性,实现道路交通安全风险的准确预测。本文以浙江省金华市金义东公路作为研究对象,首先,收集道路静态数据(平曲线半径、平曲线偏角、平曲线长度、纵坡坡度、竖曲线半径、竖曲线长度、路面摩擦系数、交叉口数量),交通动态数据(年平均日交通量、大小车型比例、平均车速、大小车型速度差),其它交通数据(停车视距)和事故数据进行交通数据的融合工作;其次,在融合多源交通数据的基础上,分别采用梯度提升树(GBDT)、随机森林(RF)以及线性回归(LR)等三种技术建立了缺失数据预测模型,修复数据集中的缺失数据;再次,利用基于Hash树的Apriori算法挖掘道路交通安全风险与各交通因素之间的相关关系;然后,用循环神经网络(RNN)和长短时记忆循环神经网络(LSTM)分别建立了道路交通安全风险预测模型,对道路的交通安全风险进行预测;最后,用关联规则挖掘结果和道路交通安全风险预测模型分析关键影响因素与道路交通安全之间的关系,制定相应的交通安全改善对策。研究成果表明,GBDT模型预测效果好,均方误差小且鲁棒性相对较高,完成了缺失交通数据的修复工作;Apriori算法在关联...

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

图.1.1研究技术路线图

绪论11图.1.1研究技术路线图

图2.1金义东公路地理位置图

交通动态数据，其它交通相关数据和事故数据，其地理位置如图2.1所示。图2.1金义东公路地理位置图2.1.1道路静态数据道路静态数据分为三部分：道路几何线形数据、路面摩擦系数和交叉口数量。（1）道路几何线形数据道路几何线形数据由公路设计文件中提取，经整理后可得到的数据主要....

图2.3随机森林运算过程图

图2.3随机森林运算过程图（3）线性回归相对于GBDT和随机森林，线性回归是一种较为常见且简单的预测手段，过程中，线性回归利用线性模型建立自变量和因变量之间的关系，属于单纯的算，研究中只将其作为GBDT算法和随机森林算法的一个对比算法。2.3.2交通动态数据修复模型....

图2.4均方误差随分类回归树深度的变化趋势

预测值的均方误差趋于稳定，因此将GBDT模型中分类回归树的深度设定为6，其变化趋势如图2.4所示；同理，在分类回归树的深度为6的情况下，对分类回归树数量进行试算，

本文编号：3933837