基于SVM灵敏度的城市交通事故严重程度影响因素分析

发布时间：2018-04-20 18:14

  本文选题：交通工程 + 事故严重程度　； 参考：《吉林大学学报(工学版)》2014年05期

【摘要】：基于某中小城市4881起交通事故现场数据,构建了基于"道路交通事故信息系统"事故数据的特征变量集;以一般事故、严重事故作为二分类标签,建立事故严重程度支持向量机(SVM)分类识别模型,并分别通过网格搜索法、遗传算法进行模型核参数寻优;最后,通过单因素局部灵敏度分析方法,研究各个特征变量对模型测试集分类精度的影响,进一步确定事故严重程度的核心影响因素。结果表明:SVM模型在训练集和测试集上的分类精度均在80%左右,表现出良好的分类识别效果和泛化能力;事故属性、车辆属性中有8个特征变量,显著影响SVM模型的分类精度。
[Abstract]:Based on the field data of 4881 traffic accidents in a small and medium-sized city, the characteristic variable set of accident data based on "road traffic accident information system" is constructed. The classification and recognition model of the accident severity support vector machine (SVM) is established, and the kernel parameters of the model are optimized by the grid search method and the genetic algorithm. Finally, the single factor local sensitivity analysis method is used. The influence of each characteristic variable on the classification accuracy of the model test set is studied, and the core factors affecting the severity of the accident are further determined. The results show that the classification accuracy of the VSVM model is about 80% on both the training set and the test set, and the classification accuracy of the SVM model is significantly affected by the fact that there are 8 characteristic variables in the accident attribute and vehicle attribute.
【作者单位】： 北京交通大学城市交通复杂系统理论与技术教育部重点实验室;中国铁道科学研究院运输及经济研究所;
【基金】：“973”国家重点基础研究发展计划项目(2012CB725403) 国家自然科学基金国际合作重大项目(71210001)
【分类号】：U491.3

【相似文献】

相关期刊论文 前10条

1 朱金好,罗晓萍;基于决策树型SVM的交通标志图像识别[J];长沙理工大学学报;2004年02期

2 胡丹;肖建;车畅;;提升小波支持向量机在交通流量预测中的应用[J];计算机应用研究;2007年08期

3 刘芹;张文峰;叶祥;吴卓葵;;基于支持向量机的高速公路入口匝道控制[J];自动化技术与应用;2007年12期

4 邹华胜;杨峰;李刚;;基于支持向量机的路基检测研究[J];矿业研究与开发;2008年02期

5 唐兰兰;;支持向量机对交通流量的预测模型[J];湖南交通科技;2008年04期

6 王颖;邵春福;;基于支持向量机的公路货运量预测方法研究[J];物流技术;2010年Z1期

7 牛文林;李天斌;熊国斌;张广洋;;基于支持向量机的围岩定性智能分级研究[J];工程地质学报;2011年01期

8 宋凯;臧晶;孙国强;;支持向量机在沥青改性最佳状态识别系统中的应用[J];辽宁建材;2007年01期

9 王琪;;基于BP神经网络与支持向量机的高速公路交通模式识别[J];科技信息(科学教研);2007年34期

10 高强;王洪礼;李胜朋;;基于支持向量机的信息融合在筑路质量中的预测[J];天津大学学报;2008年01期

相关会议论文 前10条

1 赖永标;乔春生;;基于SVM隧道与溶洞安全距离预测模型[A];第六届全国地面岩石工程学术会议暨第二届岩土力学与工程前沿论坛论文集[C];2007年

2 赖永标;乔春生;;基于支持向量机的交通噪声智能预测模型[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

3 田夫;李勇;孙占全;;短时交通流预测方法研究[A];2007第三届中国智能交通年会论文集[C];2007年

4 关佩;邹月娴;陈维荣;时广轶;杨华;王一言;;交通事件自动检测算法研究[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

5 张昕;关志超;胡斌;赵一斌;杨东援;;实时动态交通信息服务的数据融合技术研究[A];2008第四届中国智能交通年会论文集[C];2008年

6 梅松华;赵海斌;;大型隧道锚施工优化及其稳定性分析[A];中国水力发电工程学会第四届地质及勘探专业委员会第二次学术交流会论文集[C];2010年

7 邱道宏;李术才;张乐文;薛翊国;苏茂鑫;;基于TSP203系统和GA-SVM的围岩超前分类预测[A];第十一次全国岩石力学与工程学术大会论文集[C];2010年

8 宗周红;曹竞;王炜峰;;结合小波包能量和支持向量机的结构损伤识别[A];第十九届全国桥梁学术会议论文集（下册）[C];2010年

9 姚智胜;邵春福;;基于v-支持向量分类机的交通事件检测方法研究[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（上册）[C];2005年

10 蔡志理;姜桂艳;丁秋实;;基于SVM和数据融合技术的高速公路AID算法设计[A];第二十七届中国控制会议论文集[C];2008年

相关博士学位论文 前10条

1 刘妍;高速公路建设期安全风险智能管理研究[D];大连理工大学;2011年

2 王运琼;车辆识别系统中几个关键技术的研究[D];四川大学;2004年

3 谢磊;智能交通系统中的视频处理技术研究[D];华中科技大学;2006年

4 吴群;基于心电信号的驾驶疲劳检测方法研究[D];浙江大学;2008年

5 张文斌;公路车辆动态荷载测量及车型分类技术的研究[D];哈尔滨工业大学;2009年

6 覃频频;基于信息融合的高速公路事件检测建模与仿真[D];西南交通大学;2007年

7 卢宇;交通流混沌实时判定方法的研究[D];天津大学;2007年

8 陈斌;高速公路意外事件影响下的车辆行为模型与事件检测研究[D];西南交通大学;2005年

9 肖云华;双峰隧道围岩稳定性非线性系统研究[D];吉林大学;2009年

10 李巧茹;交通网络动态配流及其相关问题研究[D];天津大学;2006年

相关硕士学位论文 前10条

1 李铮;基于支持向量机的道路交通标志识别的研究[D];燕山大学;2011年

2 王琪;基于神经网络和支持向量机的高速公路交通事件检测[D];西南交通大学;2006年

3 崔志宾;基于支持向量机的交通事件检测建模与分析[D];北京交通大学;2008年

4 钱芳;基于SVM的中国航运市场运价预警研究[D];大连海事大学;2008年

5 丁澍恺;小波分析[D];上海海事大学;2007年

6 马春杰;港口企业生产安全评价体系及预警研究[D];河北农业大学;2006年

7 刘亚辉;高速公路企业运营效益评价研究[D];长沙理工大学;2007年

8 吴竹青;基于SVM的高速公路工程项目投资风险评价研究[D];长沙理工大学;2009年

9 周林英;基于支持向量机的高速公路事件检测算法[D];长安大学;2009年

10 何德伟;支持向量机在交通标志识别中的应用[D];上海海事大学;2007年

，

本文编号：1778866