基于机器学习的交通事故持续时间预测算法研究

发布时间：2020-06-11 21:18

【摘要】：二十一世纪以来,伴随着科技的飞速发展,我国的国民经济也取得了长足的进步,与此同时,人民对交通的需求不断增加,城市车辆也随之急剧增加。车辆的迅速增长不可避免地会带来严重的交通事故频发问题。交通事故发生之后所导致的后续问题,如道路瘫痪和交通拥堵等问题,会加重事故对社会和个人的损失。因此,交通管制部门希望能够针对已经发生的交通事故做出合理的对策,减少事故发生所带来的后续损失。但是由于缺乏对事故的可靠的、科学的分析,交管部门难以做出针对事故的合理对策。交通事故持续时间是事故的重要信息之一,如果能预测出事故的持续时间范围,交管部门将能以此为基础对事故现场作出合理的警力部署和道路疏通工作;市民也能够以此为基础规划自己的出行线路。因此,对事故持续时间的预测得到了越来越多的关注。道路交通事故包含很多信息,事故的持续时间也受到多种参数的影响,并且影响事故持续时间的影响因子之间关系复杂并且不确定。这给原始数据的选择和持续时间的致因分析带来了困扰。而现在的研究方法不能同时实现持续时间的预测和影响因子的分析。同时实现这两个目标是本课题的主要研究内容。本文提出贝叶斯网络-SVM组合模型对影响因子进行分析,并预测事故的持续时间范围。根据交通事故原始数据属性参数多的特点,选用贝叶斯网络模型对原始数据进行分析和处理,通过分析贝叶斯网络模型结构,得到交通事故影响因子之间的依赖关系,并剔除掉原始数据中的无用属性参数,简化数据。利用优化后的数据,选择支持向量机(SVM)对事故持续时间范围进行预测。对于支持向量机的参数,本文选择了网格搜索(Grid Search,GS)、遗传算法(Genetic Algorithm,GA)、粒子群优化方法(Particle Swarm Optimization,PSO)对支持向量机的参数进行优化,并根据结果对比分析了这三种参数寻优方法的优缺点。将贝叶斯网络-SVM组合模型与传统的SVM的预测结果进行对比分析,验证了前者在预测速度上的优势,并且能够保证预测精度相较于SVM算法不会下降。
【图文】：

交通事故,平均持续时间,严重程度,属性参数

图 3-1 不同类型交通事故平均持续时间分布统计严重程度与事故的处理方式有密切的关系，包括是否使、是否出动救护车等，从而直接影响交通事故的持续时数据中，提取交通事故严重程度涉及到的 5 个属性参数否封锁、伤亡人数、是否涉及大巴车和是否涉及货车。程度涉及到的属性的取值给一个对应的分数值，然后依严重程度分为 4 个等级。了方便利用贝叶斯网络建模，给出交通事故严重程度涉值，如表 3-1 所示。将交通事故涉及到的属性参数的评通事故的严重程度评分值。次交通事故为jI ( j 1, 2, , n)，属性参数为 ( 1iX i ( )iGrad X ，具体的参数评分值如下表所示。表 3-1 交通事故严重程度计算表属性参数参数值参1

交通事故,平均持续时间,严重程度

图 3-2 不同严重程度的交通事故平均持续时间分布统计）环境因素交通事故持续时间的环境因素包括时间因素、天气因素等。事故可能发生在一天中的任何时刻，表面上看，对于任意时持续时间也是随机的。但是通过数据的统计分析，交通事故呈现出一定的规律性，如图 3-3 所示。天的六个时间段内，交通事故在 9:00-12:00,15:00-18:00 和 18间段中持续时间最久，平均时间都超过了 40 分钟，其中在的事故平均时间最长，超过了 65 分钟。而在 0:00-9:00，12-24:00 内发生的交通事故，其平均持续时间较短，均低于 33间较长的三个时间段为一天之中的道路高峰期，这三个时间放学的时间点和一般公司上下班的时间点，在这些时间里，驶的车辆也多，路况非常复杂，车流量和车道占有率比其他时引发交通事故的发生。一旦发生交通事故，事故现场就可能及交通拥堵。一方面，交通拥堵会给交警和救护车等救援措来麻烦，延长了从事故发生到救援到达现场的时间。另一方
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491.31

【参考文献】