基于Ordered Probit模型的追尾事故严重性影响因素分析

为了减少机动车事故带来的人身财产损失,给相关管理部门提供决策意见的理论支持,分析追尾事故的独特规律,以及研究环境因素、道路因素、车辆因素和驾驶员因素等影响因素与追尾事故严重程度之间的致因关系至关重要。通过对北卡罗来纳州2010—2014年的交通事故数据进行筛选分析,最终得到1 315条具有完整信息的追尾事故数据,并对数据重新编码。考虑到事故严重性的分类具有次序的特性,研究拟采用Ordered Probit模型(ORP)对影响追尾事故严重程度的各种因素进行回归分析。为了找出具有统计学显著的影响因素,采用向后删除变量法筛选变量,从而得到了包含全部显著因素的模型。最终对模型进行了平行线检验和似然比检验,分析模型的统计学合理性,并选取指标进行了模型数据拟合度优劣的评价。研究结果表明:使用安全带、光照条件、道路线型条件、交通控制条件以及道路交通量这5个方面的因素与追尾事故严重程度的相关度较大。模型的边际影响值显示,正确使用安全带、良好的光照条件、合理的道路线型条件、适宜的交通控制措施能够显著降低追尾事故的严重性;而过大的交通量由于易产生多车追尾事故,事故严重性程度增加。显著性检验结果显示ORP模型对于分析追尾事故严重性及其影响因素具有明显作用。     

203省道一辆拉运盐酸大货车发生翻车事故

##正##2014年6月25日02时09分,宁夏银川市兴庆区交警二大队接到报警,203省道红一矿附近的红色桥墩处有一辆四桥车发生单方事故,导致车辆侧翻,车上拉载的盐酸泄漏。接到报警后,兴庆区交警二大队迅速组织民警赶赴现场进行勘查,并对事故路段实施封闭管制,银川消防支队的消防员和银川市公安局环境保护分局的民警分别也赶赴现     

汽车翻车事故的形式及预防

在道路交通事故中,因汽车翻车造成的事故占整个事故的40%以上,汽车翻车后不但造成经济的更大损失,而且极易造成人员伤亡;因此,汽车翻车是一种恶性交通事故。研究、探讨汽车翻车的原因,尽早采取预防措施,是减少汽车翻车事故发生的有效途径。(1)货物装载偏心造成翻车。一是在装车     

基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于组合模型的宁扬高速沥青路面使用性能预测

沥青路面性能预测是路面养护决策的重要环节,本文通过对高速公路使用性能衰减关键影响因素进行筛选,基于合理的路况性能评价指标,采用组合预测原理对高速公路沥青路面的性能预测模型和性能发展规律进行研究。研究结果表明:基于灰色理论与回归分析法的组合预测模型可行性强,可为高速公路沥青路面养护时机的判定提供有力的指导和帮助。     

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。      

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

基于预测有效度的组合模型在交通量预测中的应用

在已有交通量预测模型的基础上,建立了基于预测有效度的组合预测模型,应用规划方法求解出各单一预测模型的最优权重系数。通过实测数据的验证表明,该组合预测方法具有比回归分析和神经网络预测模型更高的精度,组合方法为交通量的预测提供了一种可靠而有效的新途径。     

基于广义线性模型的高速公路事故预测能力对比研究

为了寻求能够高效拟合事故数据的模型,提高高速公路交通事故预测的能力,以广东省京珠、粤赣以及开阳高速为研究对象,收集整理了共4657起交通事故及相关影响因素数据,通过路段划分得到5573个交通事故建模样本.基于系统聚类及四分位数法,筛选交通事故数据中的异常值,剔除了建模样本中的离群样本;基于方差膨胀因子法,对模型的解释变量进行共线性诊断,对存在共线性问题的解释变量进行了处理.分别对负二项(NB)、零膨胀负二项(ZINB)及Tobit模型进行变量筛选,分别确定了16,24,16个解释变量;基于模型变量筛选结果,利用交通事故数据样本,完成了NB,ZINB及Tobit模型的建模.分析对比了NB,ZINB及Tobit模型的拟合效果及预测能力,结果显示,在模型的事故预测能力方面,当交通事故数据中存在大量零值,NB,ZINB及Tobit模型经过K折交叉检验计算得出的PRESS值分别为2185,2239,4442,表明Tobit模型预测能力最优,ZINB模型其次,NB模型再次.     

基于两种电机模型的路段组合优化

通过多项式拟合和分段拟合建立了基于电机转矩与转速变化关系的两种电机模型,在此基础上,求解了电动汽车再生制动系统的动力学微分方程,并仿真计算了多路段组合情况下滚动阻力系数和附着系数对再生制动系统性能的影响.结果表明,存在一个最优路段组合使电动汽车制动系统制动时间最长、回收能量最多、速度减小最多.     

公路客运量预测的神经网络组合模型

针对公路客运量预测的问题,基于常用预测方法的研究,提出BP神经网络组合预测模型.结合河南省客运量运输情况,对组合预测模型进行了验证.实验结果表明,该方法对公路客运量的预测很有效.     

一种用于道路交通预测的时空图卷积模型

准确而实时的交通流量预测对成功的交通管理与控制变得越来越重要。然而,传统的基于流量数据的预测仿真方法缺乏对复杂道路网络拓扑关系、交通情况随时间的不稳定变换、天气条件变化等时空依赖关系的考虑。为了获取这些时空关系对于交通流量的影响,基于图卷积模型(GCN)与长短期记忆模型(LSTM),搭建一种基于神经网络的交通流量预测方法,即时空图卷积模型。图卷积模型用于学习道路的复杂拓扑结构,来获取空间依赖关系;长短期记忆模型则用于学习交通数据(流量,天气,事故等)随时间的剧烈改变,来获取时间依赖关系。实验数据显示,时空图卷积模型可以获取道路交通的时空依赖关系,该模型的预测精确度高于传统的交通流量预测方法,也高于不考虑时空依赖关系的其他机器学习预测方法。     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

基于组合模型的高原环境GDI汽油车排放预测

为预测高原环境下缸内直喷(Gasoline Direct Injection, GDI)汽油车CO和PN的瞬时排放量,开发并评估了一套基于深度学习的排放预测模型。利用便携式车载排放测试系统对一辆GDI汽油车进行实际道路排放测试;加入奇异谱分析对原始时间序列进行处理,剔除时间序列中的异常值;利用XGBoost模型对GDI汽油车的CO和PN的瞬时排放进行初步预测,并利用SVR模型进行残差修正得到最终的预测结果。将预测结果与实际道路排放试验中使用PEMS设备测量的实际值进行比较,结果表明,XGBoost-SVR排放预测模型能较好地预测GDI汽油车瞬时CO和PN的排放,相比单一的XGBoost模型,RMSE分别提高了22.9%和39.7%,决定系数R²均大于0.9,支持预测结果的可靠性。该模型对监测高原环境下GDI汽油车实际道路排放具有一定的工程意义。     

基于Logistic模型的双车道公路事故易发路段预测研究

事故易发路段的判别是安全管理的重要内容之一。传统的事故易发路段判别方法多应用于运营阶段的公路,其判别精度很大程度决定于历史事故记录的周期和质量,且受"回归到平均"等现象的影响。对于实际的安全管理工作,预先对某一对象成为事故易发路段的可能性进行预测,进而预先采取安全改进措施,能够使得安全完善工作由被动变主动,还可增加事故易发路段判别工作的应用阶段。通过对大量双车道公路事故易发路段样本的整理和分析,发现接入口密度、道路线形、交通组成等要素对事故易发路段的产生有很大影响。为此,借助Log istic模型在概率预测上的优势对上述要素对事故易发路段形成的影响情况进行了研究,建立了事故易发路段预测模型,并进行了实际检验。     

TRW用于侧面碰撞和翻车事故的安全气囊技术

每年在美国侧面碰撞事故使9000人以上的汽车乘员遭受头部伤害而导致死亡,成为车辆交通事故死亡的主要原因。根据美国公路交通安全管理局（NHTSA）称,每年超过1万人由于车辆碰撞被弹射出车外而致死,在车辆倾翻从侧面车门玻璃处被抛弹出去死亡率占1/3以上。     

基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

基于Verhulst与线性回归组合模型的港口吞吐量预测研究

由于港口吞吐量预测的复杂性,在许多情况下,单纯利用一种特定的预测方法进行预测往往具有片面性,为尽可能使预测结果具有较高可信度,基于"误差平方和最小"为最优准则,建立灰色Verhulst时序残差修正模型与一元线性回归模型的组合模型,将其用于某港口货物吞吐量预测,经验证组合模型具有较好的预测效果,并对该港口未来3年的货物吞吐量进行了预测。