CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi出版公司 10.1155 / 2014/103196 103196年 研究文章 结合道路交通事故死亡人数的预测模型基于独立和相关的变量 Zhong-xiang 冯 Shi-sheng 陆 魏华 张 Nan-nan 张 沈 Yongjun 交通运输工程学院 合肥工业大学 安徽合肥,230009 中国 hfut.edu.cn 2014年 31日 12 2014年 2014年 11 09年 2014年 08年 12 2014年 31日 12 2014年 2014年 版权©2014冯Zhong-xiang et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

为了建立一个组合模型可以满足变化规则道路交通事故死亡人数的数据,可以反映出多种因素对交通事故的影响和改善预测精度为事故,Verhulst模型建立了基于中国道路交通事故死亡人数的数量从2002年到2011年;和汽车所有权、人口、GDP、公路货运量,公路旅客运输体积,公路通车里程的因素被选为建立多元线性回归模型的死亡人数。那么这两个模型结合起来是一个组合预测模型的权重系数。Shapley值法应用于计算权重系数通过评估的贡献。最后,合并后的模型被用来计算死亡人数的数量从2002年到2011年,和组合模型与Verhulst和多元线性回归模型。结果表明,新模型不仅可以描述死亡人数数据特征还量化的程度影响死亡人数由每个影响因素有很高的精度和很强的实用性。

 1。介绍

循序渐进的“交通安全科技行动计划”,实施“法律的中华人民共和国道路交通安全法》,“交通事故的数量和损伤的程度显示自2004年以来下降趋势;然而,每年死亡人数仍约60 000。指标,在四个交通事故死亡人数有直接影响的安全感和社会的稳定度,因此了解死亡人数在未来有很大的指导意义进行后续的交通管理措施和政策,并将发挥指导作用的发展和方向交通安全保障技术。因此,协议的预测死亡人数一直是相关研究的关键( 1- - - - - - 5]。然而,交通事故是很难预测由于其随机性。因为相关的预测方法都受到各种因素的影响,精度难以保证。

常用的预测方法包括回归分析方法,指数平滑法、模糊分析方法和时间序列方法。领域的交通安全事故,灰色理论、马尔可夫方法,人工神经网络是几个主要的预测方法。例如,基于灰色模型GM(1,1)对交通事故预测,介绍了马尔可夫链预测方法的李et al。 6),然后灰色马尔可夫预测模型是由他。利用人工神经网络的优点,如强非线性逼近,模糊推理,和自学,盾和施 7)建立了BP神经网络预测模型的交通事故。Zhang et al。 8)和其他人来说,利用ARIMA模型,做了一些研究时间序列的平稳性的死亡率在中国100年有000人在交通事故中从1970年到1997年,使用SPSS软件适合的模型和预测。结论如下:ARIMA模型可以提高预测精度,可以应用于不同的季节性和季节性时间序列。基于灰色系统理论和马尔可夫理论,赵和徐 9)和其他人使用系统云灰色模型SCGM (1,1) c以适应道路交通的一般趋势的时间序列数据,提出了灰色加权马尔可夫模型SCGM (1,1) c可以用来预测交通事故的数量。该模型适用于动态预测时间序列较短,更少的数据,而不是随机波动太大。

上述方法都有自己的特点,但每个人都有自己的缺陷;例如,使用灰色理论中GM(1,1)模型,我们可以从交通事故数据进行分析数据的特点和变化规律,并预测未来的趋势。该模型易于使用,不需要考虑其他因素,但它只能描述单调变化的过程。如果结合马尔可夫理论,我们可以得到一个新的模型“灰色马尔可夫模型”适用于随机波动过程的交通事故;然而,正如为模型,没有统一标准的分类系统的状态。人工神经网络是一种方法,模拟了人类大脑的信息输入和决策输出过程,在这过程中,信息处理和模型建立的具体过程是没有显示,这是非常简单和方便,但是数据的精度影响很大。多元回归方法可以构建事故结果和相关因素之间的数学关系和量化过程和事故的各种因素的影响程度,而模型的准确性相对较差,选择的因素是可变的,和未来趋势的因素必须预测事故的最终预测之前,这意味着预测数据将作为因变量的预测。

本文总结和分析了上述两种模型的优缺点。首先,计划使用Verhulst模型,最适合交通事故灰色理论,做出初步预测的基础上,分析事故数据的特征( 10, 11),描述事故的变化趋势;同时,为了反映了其他因素对交通事故的影响,多元回归模型方法建立交通事故造成的死亡人数分析交通事故的依赖关系;然后,为了结合两种模型的优点,交通死亡人数的预测模型相结合,基于独立和相关的变量。这个模型不仅可以反映出交通事故的变化的波动规律,也反映了交通死亡人数的相关法律由多种因素的相互作用引起的。

 2。Verhulst模型交通死亡人数 2.1。Verhulst模型

近年来,交通死亡人数在中国的发展趋势表明饱和s形过程,所以它是适合使用Verhulst模型预测( 12]。Verhulst模型构建的基本和过程如下。

( 1)模型构建。让交通事故死亡人数的原始数据序列 X ( 0 ) = ( x ( 0 ) ( 1 ) , x ( 0 ) ( 2 ) , … , x 0 ( n ) ) ; n 是数据的数量。

根据原始数据,一个累积生成操作数据序列 X ( 1 ) 的死亡人数是建立如下: (1) X ( 1 ) = ( x ( 1 ) ( 1 ) , x ( 1 ) ( 2 ) , … , x ( 1 ) ( n ) ) 。 在上面的公式中,之间的关系 X ( 1 ) 和 X ( 0 ) 是 x ( 1 ) ( k ) = ∑ 我 = 1 k x ( 0 ) ( 我 ) , k = 1、2 , … , n 。 Z ( 1 ) 是连续的邻居序列意味着什么 X ( 1 ) , Z ( 1 ) = ( z ( 1 ) ( 2 ) , z ( 1 ) ( 3 ) , … , z ( 1 ) ( n ) ) : (2) z ( 1 ) ( k ) = 1 2 ( x ( 1 ) ( k ) + x ( 1 ) ( k - - - - - - 1 ) ) 。 所以 (3) x ( 0 ) ( k ) + α z ( 1 ) ( k ) = μ z ( 1 ) k 2 被称为灰色Verhulst模型。考虑到 (4) d x ( 1 ) d t + 一个 x ( 1 ) = μ x ( 1 ) 2 是准备过冬Verhulst方程模型。

让 α ^ 向量的参数确定, α ^ = 一个 μ ,在这 一个 是发展和灰色号码 μ 内部控制灰数。

离散化公式( 4)给 Y = B α ^ 。

使用最小二乘法来解决这个问题 α ^ = B T B - - - - - - 1 B T Y 。

的公式, (5) B = - - - - - - z ( 1 ) ( 2 ) z ( 1 ) 2 2 - - - - - - z ( 1 ) ( 3 ) z ( 1 ) 3 2 ⋮ ⋮ - - - - - - z ( 1 ) ( n ) z ( 1 ) n 2 , Y = x ( 0 ) ( 2 ) x ( 0 ) ( 3 ) ⋮ x ( 0 ) ( n ) 。

的参数值 一个 , μ 可以获得。把它们代入公式( 3)来解决,让冬化方程的解决方案。即积累的时间响应函数生成序列 (6) x ( 1 ) ( t ) = α x ( 1 ) ( 0 ) μ x ( 1 ) ( 0 ) + ( α - - - - - - μ x ( 1 ) ( 0 ) ) e α t 。

模型的时间响应公式 (7) x ^ ( 1 ) k + 1 = α x ( 1 ) ( 0 ) μ x ( 1 ) ( 0 ) + ( α - - - - - - μ x ( 1 ) ( 0 ) ) e α k , h h h h h h h h h h h h h h h h h h h h h h h h k = 1、2 … , n 。

逆累积的换算公式 (8) x ^ ( 0 ) ( k + 1 ) = x ^ ( 1 ) ( k + 1 ) - - - - - - x ^ ( 1 ) ( k ) 。

( 2)剩余模型的测试。有必要测试精度之前建立一个预测模型,可确定有效性。剩余的测试是一种常用的测试方法。详细模型值和测量值进行测试。

计算的值 X ^ 1 k 由模型和转移 X ^ 1 k 来 X ^ 0 k 然后计算逆累积生成操作的绝对和相对误差序列的原始序列 X 0 k 和 X ^ 0 k : (9) X ^ ( 0 ) k = X ( 1 ) k - - - - - - X ( 1 ) k - - - - - - 1 , Δ 0 k = X 0 k - - - - - - X ^ 0 k , k = 1、2 , … , n , φ k = Δ 0 k X 0 k × One hundred. % , k = 1、2 , … , n 。

2.2。死亡人数预测

基于中国的交通事故死亡人数的数据从2002年到2011年,上述Verhulst模型的计算方法,可以建立一个预测模型。具体数据见表 1。

中国的交通事故死亡人数从2002年到2011年。

一年 2002年 2003年 2004年 2005年 2006年
死亡/人 109381年 104372年 99217年 98738年 89455年
一年 2007年 2008年 2009年 2010年 2011年
死亡/人 81649年 73484年 67159年 65225年 62387年

进行逆累积操作原始序列的死亡人数 (10) X 1 0 = 109381,104372,99217,98738,89455,81649 , h 73484,67159,65225,62387 并给出了逆累积操作序列 (11) X 1 ( 1 ) = 109381年 , - - - - - - 5009年 , - - - - - - 5155年 , - - - - - - 479年 , - - - - - - 9283年 , - - - - - - 7806年 , h - - - - - - 8165年 , - - - - - - 6325年 , - - - - - - 1934年 , - - - - - - 2838年 。 及其1-iAGO邻居代序列 (12) Z ( 1 ) = 106877、101795、98978、94097、85552 , h 77567,70322,66192,63806 。

通过计算, 一个 = 0.12238288 ; μ = 0.00000069 给出了。

把上面的参数代入公式( 7);预测模型如下: (13) x ^ ( 1 ) k + 1 = α x ( 1 ) ( 0 ) μ x ( 1 ) ( 0 ) + ( α - - - - - - μ x ( 1 ) ( 0 ) ) e α k = 13386.36215268 0.07541568 + 0.04696720 e 0.12238288 k 。

根据上面的公式,预测的死亡人数从2002年到2011年再一次,和残差计算。表中所示的细节 2。

Verhulst模型预测值的交通事故死亡人数从2002年到2011年在中国。

一年 死亡/人 预测价值/人 相对误差/ %
2002年 109381年 109381年 0
2003年 104372年 104176年 0.188
2004年 99217年 98859年 0.361
2005年 98738年 93468年 5.337
2006年 89455年 88042年 1.580
2007年 81649年 82621年 1.190
2008年 73484年 77246年 5.119
2009年 67159年 71955年 7.141
2010年 65225年 66785年 2.392
2011年 62387年 61769年 0.991
全面的错误 2.700
3所示。多元线性回归方法 3.1。模型概述

多元线性回归方法的主要思想是建立两个或更多的依赖和独立变量的相关分析。有许多相关的研究和技术是非常复杂的。回归模型建立后,统计模型的测试是必要的,包括确定系数测试( R 2 测试),回归系数的显著性检验 t 以及)和回归方程的显著性检验 F 测试)。如果回归方程的显著的测试失败了,可能是重要的因素在选择中错过了独立的变量,或独立和相关的变量之间的关系是非线性的,在这种情况下,模型应该被重建。

 3.2。影响因素分析模型

道路交通系统主要由人,车,路,和环境,每个子系统包含多个因素。如果一个或多个因素出错,交通安全将贴现和交通事故的概率会增加。因此,道路交通事故预测分析需要从以上四个系统在宏观和微观方面;应考虑事故的特点,与事故相关的因素研究,和事故的过程和诱惑量化。本文研究了死亡人数法律和交通事故的未来发展趋势在中国,这属于macroresearch,因此本文打算选择一些macroindicators因素,如人口、车辆人口,公路通车里程,客运和货运周转量。选择macroindicators的主要原因是上述因素可以反映出整体的交通活动。例如,人口基数大,这次旅行体积相对较大;汽车数量的增加,公路通车里程将鼓励游客旅游;客运和货运周转量可以直接反映了频繁的乘客和货物的交通行为。众多的交通行为会增加交通事故的基数,与交通事故。 Besides, influenced by policies and security technology as well as some other factors, the number of traffic accidents and death toll should be subject to change; however, these kinds of factors were difficult to quantify, and if quantification was unscientific, the correctness and precision of the prediction model would be affected, so this paper would not select relevant indicators for the time being.

 3.3。死亡人数预测

与交通事故死亡人数从2002年到2011年在中国作为因变量和上面的相关数据作为独立变量,建立了一个模型。详细的数据见表 3。

从2002年到2011年的相关统计数据。

一年 死亡/人 车辆人口/ 104车辆 人口/ 104人 国内生产总值(GDP) / 108元 由公路货运量/ 104 t 客流量路/ 104人 公路里程/公里
2002年 109381年 2053.17 128453年 120332.7 1116324 1475257 1765222
2003年 104372年 2382.93 129227年 135822.8 1159957 1464335 1810000
2004年 99217年 2693.71 129988年 159878.3 1244990 1624526 1871000
2005年 98738年 3159.66 130756年 184937.4 1341778 1697381 3345200
2006年 89455年 3697.35 131448年 216314.4 1466347 1860487 3457000
2007年 81649年 4358.36 132129年 265810.3 1639432 2050680 3584000
2008年 73484年 5099.61 132802年 314045.4 1916759 2682114 3730200
2009年 67159年 6280.61 133474年 340902.8 2127834 2779081 3860823
2010年 65225年 7801.83 134091年 401512.8 2448052 3052738 4008229
2011年 62387年 9356.32 134735年 472881.6 2820100 3286220 4106387

SPSS 18.0被用来建立一个多元线性回归模型,计算上述因素之间的关联和依赖variables-death收费(见表 4)——来计算决定系数 R 2 、测试值 t 和测试值 f 。表中所示的细节 4。

相关系数。

独立变量 相关系数与死亡相关的交通事故
车辆人口(104车辆) 0.941
人口(104人) 0.987
国内生产总值(108元) 0.971
由公路货运量(104 t ) 0.951
由公路客运量(104人) 0.974
公路里程(公里) 0.890

在表 4,独立变量之间的相关系数的最小值和死亡人数为0.890,这表明,以上六个因素与交通死亡人数有显著相关性,因此构建一个多元线性回归模型是可行的。此外,测定系数的回归模型 R 2 = 0.996 , F = 67.431 ,这表明数据回归的模型方程是非常高的。每个因素的系数表所示 5。

每个因素的系数值。

系数 标准错误 的价值 t 意义
常数 779909.386 802935.957 0.971 0.403
车辆人口(104车辆) −9.153 21.124 −0.433 0.694
人口(104人) −5.403 5.943 −0.909 0.430
国内生产总值(108元) −0.147 0.235 −0.625 0.576
由公路货运量(104 t ) 0.087 0.141 0.618 0.580
由公路客运量(104人) −0.028 0.027 −1.054 0.369
公路里程(公里) 0.003 0.003 1.023 0.382

回归模型的方程可以得到上述系数值: (14) Y = 779909.386 - - - - - - 9.153 年代 1 - - - - - - 5.403 年代 2 - - - - - - 0.147 年代 3 + 0.087 年代 4 - - - - - - 0.028 年代 5 + 0.003 年代 6 。

的方程, Y 死亡人数/人, 年代 1 车辆人口/ 10吗4车辆, 年代 2 人口/ 104人, 年代 3 国内生产总值(GDP) / 108元, 年代 4 被公路货运量/ 10吗4 t , 年代 5 被公路客运量/ 10吗4人, 年代 6 公路里程/公里。

的死亡人数从2002年到2011年再次被上面的方程,预测和预报值的相对误差可以看到在桌子上 6。

多元线性回归模型的预测价值的交通死亡人数从2002年到2011年在中国。

一年 死亡/人 预测价值/人 相对误差/ %
2002年 109381年 110334年 0.871
2003年 104372年 105103年 0.700
2004年 99217年 97660年 1.569
2005年 98738年 96681年 2.083
2006年 89455年 89975年 0.581
2007年 81649年 83033年 1.695
2008年 73484年 72208年 1.736
2009年 67159年 69830年 3.977
2010年 65225年 64208年 1.559
2011年 62387年 62035年 0.564
全面的错误 1.534
4所示。结合交通死亡人数的预测模型

假设组合预测模型 f ( x ) = ∑ 我 = 1 米 ω 我 · f 我 ( x ) ,在这 ω 我 每个模型的加权系数, ω 我 ≥ 0 , ∑ 我 = 1 米 ω 我 = 1 。本文的模型两个模型的结合,我们可以让 f 1 ( x ) Verhulst模型和让 f 2 ( x ) 是多元回归模型建立组合预测模型 f ( x ) = ω 1 * f 1 ( x ) + ω 2 * f 2 ( x ) 。

在上面的组合预测模型,加权系数将直接影响模型的准确性,所以合理的加权系数的选择是非常重要的。选择方法包括算术平均法、标准偏差法、均方逆法、层次分析法和最优加权法。算术平均数是最简单的方法,但由于贫穷的合理性,并不能反映模型之间的差异和贡献最终的预测结果。对于层次分析法,加权系数的值必须手动分配相关的学者,这是受主观因素。最优加权法的准确性非常高,但是计算复杂;此外,加权系数可能是消极的,在实际应用中有很大的局限性。

本文沙普利法确定权重系数,提出了一种数学方法,教授沙普利在1953年可以用来解决多人合作游戏,实现公平和有效的分配团队成员之间的总收入( 13]。最大的优势是,原则和结果容易被对方视为公平,结果很容易被接受。的总误差预测相结合,生成的联合行动的原因各单一预测方法的预测相结合的过程中,可以被视为一种“合作关系”的预测方法相同的目的。

4.1。Shapley值法

假设组合预测模型 n 各种预测方法,可以用 我 = { 1、2 , … , n } , 年代 的任何子集 我 , E ( 年代 ) 是这个子集的综合误差,误差的绝对值 我 th预测方法 E 我 ,总误差的预测相结合 E 。的值如下: (15) E 我 = 1 米 ∑ j = 1 n e 我 j , 我 = 1、2 , … , n , E = 1 n ∑ 我 = 1 n E 我 。

在上面的公式中, 米 的样品和数量吗 e 我 j 相结合的预测误差 我 th预测方法与 j 数据。

沙普利值的分布公式 (16) E 我 = ∑ 年代 我 ∈ 年代 ω 年代 * E 年代 - - - - - - E 年代 - - - - - - 我 , ω 年代 = n - - - - - - 年代 ! 年代 - - - - - - 1 n ! 。

的公式, 年代 是一组包含预测模型 我 。 年代 在组合预测模型的数量。 ω 年代 是重量系数反映模型的贡献 我 组合模型。 年代 - - - - - - { 我 } 是去除模型 我 模态的组合。

每种预测方法的权重的组合预测 (17) ω 我 = 1 n - - - - - - 1 * E - - - - - - E 我 E , 我 = 1、2 , … , n 。

4.2。重量计算的预测模型

据表的结果 2和 6,总组合预测的误差 E = 1 / 2 * ( 1.534 + 2.700 ) = 2.117 。

基于夏普利值的概念,所涉及的“合作关系”成员的总误差分配组合预测模型 N = { 1、2 } ,合并后的错误他们所有的子集 E 1 , E { 2 } , E { 1、2 } ,分别。结合错误的值中包含向量误差的平均值高于子集。见表 7。

每个子集的错误。

子集 E { 1 } E { 2 } E { 1 , 2 }
平均值的错误 1.534 2.700 2.117

根据沙普利计算方法,获得了每个成员的夏普利值如下: (18) E 1 = 0 ! 1 ! 2 ! E 1 - - - - - - E 1 - - - - - - 1 + 1 ! 0 ! 2 ! E 1、2 - - - - - - E 1、2 - - - - - - 1 = 0.4755 , E 1 = 0 ! 1 ! 2 ! E 2 - - - - - - E 2 - - - - - - 2 + 1 ! 0 ! 2 ! E 1、2 - - - - - - E 1、2 - - - - - - 2 = 1.6415 。

两个成员的总和 E 1 + E 2 = 0.4755 + 1.6415 = 2.117 = E 3 的总和,这表明两个错误产生两种单一预测方法等于总误差 E 。这表明,每种方法的共同错误的计算是正确的。和共同的价值观表明预测模型的精度。根据上面的计算和公式 ω 我 = 1 / ( n - - - - - - 1 ) * ( E - - - - - - E 我 ) / E ,最终的重量各单一预测方法的组合预测模型 (19) ω 1 = 1 2 - - - - - - 1 * 2.1170 - - - - - - 0.4755 2.1170 = 0.7754 , ω 2 = 1 2 - - - - - - 1 * 2.1170 - - - - - - 1.6415 2.1170 = 0.2246 。

基于上面的重量 ω 1 和 ω 2 ,组合预测模型有如下: (20) f x = 0.7754 f 1 x + 0.2246 f 2 x 。

4.3。分析模型的准确性和结果 4.3.1。预测的值从2002年到2011年在中国交通死亡人数

使用上面的公式的组合预测模型来预测中国的交通死亡人数从2002年到2011年,结果,见表 8,可以通过计算获得的。

组合模型预测的价值在中国交通死亡人数从2002年到2011年。

一年 死亡/人 组合模型的预测价值/人 相对误差/ % Verhulst模型的相对误差/ % 多元线性回归模型的相对误差/ %
2002年 109381年 109595年 0.196 0 0.871
2003年 104372年 104384年 0.011 0.188 0.700
2004年 99217年 98590年 0.632 0.361 1.569
2005年 98738年 94190年 4.606 5.337 2.083
2006年 89455年 88476年 1.094 1.580 0.581
2007年 81649年 82714年 1.304 1.190 1.695
2008年 73484年 76114年 3.579 5.119 1.736
2009年 67159年 71478年 6.431 7.141 3.977
2010年 65225年 66206年 1.504 2.392 1.559
2011年 62387年 61829年 0.894 0.991 0.564
全面的错误 2.025 2.700 1.534

在上述三种模式,Verhulst模型可以反映事故数据的波动,这是一个伟大的改变它的精度;然而,综合误差2.700%还非常小。多元回归模型是受多种因素影响,有很多原始数据计算,这可能反映了实际数据的变化趋势,所以模型的准确性是很高的。最大相对误差仅为3.977%,综合误差仅为1.534%。组合预测模型的相对误差就上述两个模型之间的错误,和综合误差为2.205%。虽然有点准确性低于多个回归模型,该模型适用于中长期事故预测,因为这个模型的结果可以反映事故数据的变化规律,并且模型采用依赖关系的思想因素和事故的数量在多个回归模型;因此,它不仅能反映未来趋势定性,也反映了因素之间的数学关系和模型定量。

 4.3.2。预测的值从2012年到2013年在中国交通死亡人数

从2012年到2013年的数据不是用于建模,所以它们适合验证模型的准确性,和相关的统计数据从2012年到2013年如表所示 9。

从2012年到2013年的相关统计数据。

一年 死亡/人 车辆人口/ 104车辆 人口/ 104人 国内生产总值(GDP) / 108元 由公路货运量/ 104 t 客流量路/ 104人 公路里程/公里
2012年 59997年 10933.09 135404年 519470.10 3188475 3557010 4237500
2013年 56017年 12670.14 136072年 568845.21 3076648 1853463 4356200

中国的交通死亡人数从2012年到2013年由公式计算( 13),( 14)和( 20.),的值和相对误差如表所示 10。

组合模型预测的价值在中国交通死亡人数从2012年到2013年。

一年 死亡/人 多元线性回归模型 Verhulst模型 组合模型
预测价值/人 相对误差/ % 预测价值/人 相对误差/ % 预测价值/人 相对误差/ %
2012年 59997年 62402年 4.009 52130年 13.112 54437年 9.267
2013年 56017年 73962年 32.035 47911年 14.471 53762年 4.025

从表 10,死亡人数的预测价值的多元线性回归模型在2012年是62402,相对误差为4.009%,但73962年和2013年的32.035%。通过分析道路的客流量在2013年,它与2012年相比下降到52.107%。但从2002年到2011年,由公路客流量每年增长近10%。这可能是一个伟大的关系在2013年中国高速铁路的操作,因此预测结果与现实之间有很大的差距在2013年。结果表明,多元线性回归模型不稳定投影在政治和经济的不稳定。Verhulst模型的稳定性高于多元线性回归模型从表 10,但它也有一个很大的相对误差,13.112%和14.471%,分别在2012年和2013年。死亡人数预测组合模型的价值很好,相对误差是9.267%,2012年4.025%,2013年,结果符合实情,所以组合模型有效性较高。

 5。结论

交通事故的发生,伟大的随机性和burstiness,涉及人力、车辆、道路环境,和其他因素。很难预测事故的变化规律与普通模式。Verhulst模型被认为是最接近自己的变化规律预测模型;然而,它不能被用来描述其他因素的定量影响。

通过量化数学多因素变量和因变量之间的关系,多元回归模型可以反映客观规律,交通事故受到很多因素的影响;然而,很难选择的因素,并预测所需的数据预测,所以错误通常是非常大的。

结合以上两种方法,计算权重系数每个模型通过Shapley值法,组合预测模型可以构建基于Verhulst模型和多元线性回归模型。合并后的模型不仅可以描述的特性数据意外死亡,但死亡人数也量化的影响因素;此外,模型精度非常高,非常实用。

利益冲突

作者宣称没有利益冲突有关的出版。

 确认

本文由“中国国家自然科学基金(51308177号,51178158)”和“专门研究高等教育的博士项目基金(没有。20120111120021)”和“安徽省自然科学基金(没有。1408085 mg137)。”

 中小企业 r . J。 公式的有效性在交通工程和道路安全 事故分析和预防 1972年 4 4 303年 312年 2 - s2.0 - 0006630299 10.1016 / 0001 - 4575 (72)90029 - 2 Fieldwick R。 布朗 r . J。 限速的影响道路的伤亡 交通工程和控制 1987年 28 12 635年 640年 2 - s2.0 - 0023523034 Miaou S.-P。 卡车事故之间的关系和几何设计的道路部分:泊松和负二项回归 事故分析和预防 1994年 26 4 471年 482年 10.1016 / 0001 - 4575 (94)90038 - 8 2 - s2.0 - 0028486329 张 T.-j。 唐 c c。 康 y。 赵 D。 泊松分析交通事故预测模型及其应用 高速公路和交通研究期刊》的研究和发展 2010年 27 6 132年 137年 乔 X.-M。 徐 一个。 蜀 W。 在中国道路交通事故的发展趋势预测 长安大学学报 2004年 24 6 64年 66年 2 - s2.0 - 21844477017 李 x Y。 张 N。 江 g F。 Grey-Markov模型预测交通事故 高速公路和交通研究期刊》的研究和发展 2003年 20. 4 98年 101年 2 - s2.0 - 0141670563 越南盾 s . h。 史 Z.-s。 研究基于BP神经网络的道路交通事故预测 中国安全科学杂志 2010年 20. 9 15 20. 张 J。 刘 X.-M。 他 杨绍明。关铭 陈 Y.-S。 应用ARIMA模型预测交通事故 北京大学技术杂志》上 2007年 33 12 1295年 1299年 2 - s2.0 - 38649127895 赵 l 徐 H.-k。 交通事故预测基于加权灰色马尔可夫SCGM (1,1) c 计算机工程与应用 2012年 48 31日 11 15 王 F.-J。 李 蔡博富。 余 C.-Z。 灰色Verhulst道路交通事故的预测模型 交通运输工程杂志》上 2006年 6 1 122年 126年 2 - s2.0 - 33745037265 郑 黄永发。 黄 M.-F。 陈 H。 建设和实施道路交通事故灰色预测模型在福州 武汉理工大学学报(交通科学与工程) 2011年 35 3 634年 636年 2 - s2.0 - 79960287869 10.3963 / j.issn.1006-2823.2011.03.049 刘 年代。 见鬼 G。 谢 N。 灰色系统理论及其应用 2010年 中国,北京 科学出版社 沙普利 l . s . A。 值n人游戏 1967年 普林斯顿,纽约,美国 普林斯顿大学出版社