基于模糊小波神经网络的营运客车运行风险评估模型研究

发布时间：2021-12-10 11:30

　　为提高营运客车交通安全管理水平,应准确识别营运客车在运行中的风险影响因子并对其进行评估。结合云南省2010—2017年营运客车道路交通事故数据,通过伯努利方程计算出各风险要素引发交通事故的概率并量化其造成的经济损失,在此基础上根据交通系统四要素,构建了风险评价指标体系;建立基于模糊小波神经网络的营运客车运行风险评估模型。与BP神经网络模型相比,该模型精度有所提高,收敛速度更快,学习效率更高;对模型进行实例应用,结果表明,车辆运行速度、制动器温度、胎压、不良天气、重点违法行为增长率等5个因子是造成营运客车运行高风险的重要因素,模型能够客观准确地对营运客车运行风险进行评估。 

【文章来源】：安全与环境学报. 2020,20(03)北大核心CSCD

【文章页数】：9 页

【部分图文】：

FNN测试结果

FWNN测试结果

输出层为风险等级，风险等级分为5级，故将神经元个数设为5。模糊神经网络的输出量为风险评价结果的模糊量，需经去模糊化得到最终风险评价结果。营运客车运行风险评估模型的输入神经元和输出神经元见表5。营运客车运行风险神经网络结构见图2。

【参考文献】：
期刊论文
[1]基于改进BP神经网络的城市交通拥塞环境下车辆运行风险识别研究[J]. 胡立伟,杨锦青,何越人,孟玲,罗振武.  公路交通科技. 2019(10)
[2]道路运输企业行车风险评估及控制方法研究[J]. 赵炜华,张耀虎,翟欣欣.  安全与环境学报. 2018(05)
[3]营运车辆重特大交通事故反馈控制关键问题研究[J]. 杨京帅,胡大伟,孙正一.  公路. 2013(04)
[4]基于云模型的模糊综合评价方法及应用[J]. 沈进昌,杜树新,罗祎,罗季阳,杨倩,陈志锋.  模糊系统与数学. 2012(06)
[5]基于小波—BP神经网络的短期风电功率预测方法[J]. 师洪涛,杨静玲,丁茂生,王金梅.  电力系统自动化. 2011(16)
[6]基于风险管理方法的危险源评价分级研究[J]. 刘宏,唐禹夏,程宇和.  中国安全科学学报. 2007(06)



本文编号：3532536