基于BP神经网络的交通事故预测模型

交通事故预测对于分析现有道路交通条件下交通事故的未来发展趋势及其预防具有重要意义。在进行交通事故统计的基础上，运用BP神经网络理论，建立交通事故预测模型。计算结果表明，该模型较传统方法精度高，可用于交通事故预测。     

基于神经网络的交通事故预测

提出了交通事故预测的新方法－改进型BP神经网络，运用该网络对我国交通事故进行了预测分析。     

道路交通事故经济损失灰色预测模型

阐述了我国交通事故造成经济损失的状况,引入灰色预测模型,对利用此模型预测交通事故经济损失的可行性进行了分析。基于历史数据,对未来几年的事故经济损失状况进行预测,并对模型精度进行检验。     

基于BP神经网络的交通事故预测模型及仿真

交通事故的发生,受人、车、路、环境、管理等多方面因素的影响,存在很大的不确定性。利用BP神经网络,建立交通事故预测模型,并用Matlab仿真,验证模型的精确性。     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

基于灰色神经网络组合模型的水上交通事故预测

水上交通事故预测是水上安全的重要组成部分,目的是为了掌握水上交通事故未来的发展状况,为管理决策提供重要的理论依据。运用灰色神经网络组合模型对水上交通事故量进行预测,运用灰色模型对水上交通事故进行模拟,将结果和原始数据进行对比,计算出残差。运用BP神经网络模型对残差进行修正,得到最终预测的结果。仿真得到的2012年和2013年的水上交通事故预测量分别是270和281。实践表明,水上交通事故量呈下降趋势,但有部分年份仍有回升趋势。      

基于灰色理论的道路交通事故预测模型综述

交通事故预测模型是进行交通安全控制的关键问题之一。重点介绍了目前几种主要的基于灰色系统理论的道路交通事故预测模型:基本灰色预测GM(1,1)模型、残差灰色预测模型、灰色Verhulst预测模型、灰色马尔可夫预测模型、灰色神经网络预测模型,并指出各模型的适用条件和优缺点,为相关研究提供参考。     

交通事故灰色预测模型的研究

在交通事故统计的基础上，运用灰色理论，建立了一为量的交通事故预测模型，即ＧＭ（１，１），可用于交通事故各项统计指标的预测。它被传统的预测方法更科学、更合理。     

利用模糊神经网络预测道路交通事故损失

本文利用模糊神经网络系统的特性，分析道路交通事故损失与交通事故次数，死亡人数和受伤人数之间的关系，提出了模糊神经网络预测道路交通事故损失的方法。     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

基于神经网络的冗余信息交通事故再现可靠性分析

针对实际道路交通事故中客观存在的不确定性因素,将可靠性理论和随机摄动法应用于道路交通事故再现分析,给出了相应的交通事故再现可靠性分析方法,提高了再现分析结果的精度.对于同一起事故,由于采用不同的信息和计算模型,得到的分析结果必然会存在不同程度的差异,从而产生冗余信息下的交通事故再现分析问题.针对交通事故中的冗余信息问题...     

基于过程神经元网络与遗传算法的交通流预测

高速公路变通量预测对于高速公路建设和管理具有重要的指导作用。针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。