基于特征选择的城市快速路实时交通事故风险预测

发布时间：2020-10-22 08:08

　　 快速路是城市道路交通的骨架,承担着大量的城市机动化交通。但随着城市机动车保有量的不断增长,城市快速路交通事故频发,极大影响道路的通行效率且带来了严重的人员和财产的损失。快速路的实时交通流状态是导致事故发生的一个重要因素,通过城市快速路的实时交通流状态来预测是否可能有事故发生,对于提高道路运输系统的安全性,降低事故的发生率,减少因事故带来的人员伤亡和财产损失具有重要的意义。随着智能交通系统的不断发展,实时交通流数据的采集手段不断进步,为城市快速路实时交通事故风险预测的研究提供了技术支持和数据基础。本文基于城市快速路实时交通流数据和事故历史数据,构建了基于特征选择的实时交通事故风险预测模型,以确定潜在的、将要发生的交通事故,为交通管理者保障城市快速路的安全运营提供了理论参考。本文主要工作包括以下几个方面:(1)针对实时交通事故风险预测的问题,设计一套数据预处理的流程,对所获取的事故历史数据和检测器所检测到的交通流数据进行预处理。该流程包括案例组和对照组数据的提取规则,数据清洗以及数据集成等。(2)创新性地提出了 CBFS算法用于特征向量的降维。该方法对特征之间的冗余性以及特征与类别之间的相关性进行定量分析,并在综合考量二者关系的基础上设计特征变量的选择规则,以达到降低特征向量维数的目的。实测数据的验证结果表明:CBFS算法可以有效降低特征向量的维数,减少分类器的计算时间,并且去除冗余特征和不相关特征之后,分类器的分类精度有所提高。(3)选择支持向量机算法作为实时交通事故风险预测的分类算法,并对支持向量机的网格搜索法进行改进。通过实测数据进行验证,结果表明:改进网格搜索法可以大量节约参数寻优时间,提高算法运算效率。(4)将CBFS算法与改进网格搜索法的支持向量机算法相结合,构建基于特征选择的实时交通事故风险预测模型。并以某市的实测数据为例,应用本文所构建的模型、K近邻算法以及BP神经网络算法分别对其进行测试,本文模型测试结果与实际结果相比具有较高的准确率,同时在危险状态的预测准确率上均高于K近邻算法和BP神经网络算法。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U491.31
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 国内外研究现状总结
    1.3 研究内容和研究目标
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 技术路线
2 实时事故风险预测关键理论方法
    2.1 模式识别基本方法概述
    2.2 特征矢量降维方法概述
        2.2.1 过拟合现象
        2.2.2 相关性和冗余性
        2.2.3 特征降维方法
    2.3 实时事故风险预测分类算法
        2.3.1 K-近邻算法
        2.3.2 BP神经网络算法
        2.3.3 支持向量机算法
    2.4 小结
3 数据预处理
    3.1 数据采集
    3.2 交通流数据提取
    3.3 交通流数据清洗
    3.4 样本数据集成及归一化
    3.5 案例数据预处理
    3.6 小结
4 基于特征选择的实时交通事故风险预测模型构建
    4.1 基于相关性分析的特征选择算法构建（CBFS算法）
    4.2 基于SVM的实时交通事故风险预测算法构建
        4.2.1 核函数的选择
        4.2.2 改进的网格搜索法
        4.2.3 基于SVM的实时交通事故风险预测算法步骤
    4.3 基于特征选择的实时交通事故风险预测模型设计
    4.4 精度评价指标
    4.5 小结
5 案例分析
    5.1 基于CBFS算法的特征选择
    5.2 基于SVM的实时交通事故风险预测
    5.3 CBFS算法合理性分析
    5.4 改进网格搜索法合理性分析
    5.5 不同分类算法结果对比分析
    5.6 小结
6 结论与展望
    6.1 结论
    6.2 展望
参考文献
附录A
附录B
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集

【参考文献】

相关期刊论文 前9条

1 张辉;陈柯羽;;高速公路减速波事故的前兆特征与概率模型[J];交通运输研究;2017年05期

2 王健;卢锡凤;;基于聚类分析的高速公路事故黑点鉴别及成因分析研究[J];公路交通技术;2016年05期

3 孙剑;孙杰;;城市快速路实时交通流运行安全主动风险评估[J];同济大学学报(自然科学版);2014年06期

4 徐铖铖;刘攀;王炜;蒋璇;;基于判别分析的高速公路交通安全实时评价指标[J];东南大学学报(自然科学版);2012年03期

5 孙岩;吕世聘;王秀坤;唐一源;;基于结构学习的KNN分类算法[J];计算机科学;2007年12期

6 王娟,慈林林,姚康泽;特征选择方法综述[J];计算机工程与科学;2005年12期

7 秦小虎;刘利;张颖;;一种基于贝叶斯网络模型的交通事故预测方法[J];计算机仿真;2005年11期

8 林震,杨浩;基于车速的交通事故贝叶斯预测[J];中国安全科学学报;2003年02期

9 王天树,郑南宁,袁泽剑;机器智能与模式识别研究中的统计学习方法[J];自动化学报;2002年S1期

相关博士学位论文 前1条

1 孙轶轩;基于数据挖掘的道路交通事故分析研究[D];北京交通大学;2014年

相关硕士学位论文 前3条

1 杜石厅;基于统计模式识别的高速公路事故黑点识别研究[D];西南交通大学;2010年

2 江永生;基于交通流因素的城市道路交通事故分析预测研究[D];西安建筑科技大学;2009年

3 贺清碧;BP神经网络及应用研究[D];重庆交通学院;2004年

本文编号：2851336