论文部分内容阅读
为探讨道路交通安全风险与交通相关因素之间的相关性,实现道路交通安全风险的准确预测。本文以浙江省金华市金义东公路作为研究对象,首先,收集道路静态数据(平曲线半径、平曲线偏角、平曲线长度、纵坡坡度、竖曲线半径、竖曲线长度、路面摩擦系数、交叉口数量),交通动态数据(年平均日交通量、大小车型比例、平均车速、大小车型速度差),其它交通数据(停车视距)和事故数据进行交通数据的融合工作;其次,在融合多源交通数据的基础上,分别采用梯度提升树(GBDT)、随机森林(RF)以及线性回归(LR)等三种技术建立了缺失数据预测模型,修复数据集中的缺失数据;再次,利用基于Hash树的Apriori算法挖掘道路交通安全风险与各交通因素之间的相关关系;然后,用循环神经网络(RNN)和长短时记忆循环神经网络(LSTM)分别建立了道路交通安全风险预测模型,对道路的交通安全风险进行预测;最后,用关联规则挖掘结果和道路交通安全风险预测模型分析关键影响因素与道路交通安全之间的关系,制定相应的交通安全改善对策。研究成果表明,GBDT模型预测效果好,均方误差小且鲁棒性相对较高,完成了缺失交通数据的修复工作;Apriori算法在关联规则挖掘上表现优异,实现了交通因素与交通安全风险之间的关联分析,且在最小置信度为0.8的条件下,一共得到了189条关联规则,并识别出了影响交通安全的关键因素是平曲线长度、交叉口数量、年平均日交通量、大小车型比例和车速;在LSTM和RNN交通事故风险预测模型中,LSTM的均方根误差为0.35,而RNN的均方根误差为0.47,表明LSTM和RNN都能对道路交通安全风险进行预测,但LSTM预测效果要优于RNN;改变交叉口数量、年平均日交通量和车速,再次用LSTM模型进行预测,发现在交叉口间距不大于500米且车速为85Km/h时,道路的交通安全风险达到最低,并且降低交通量也能提升道路交通安全水平。研究成果为机器学习和深度学习相关算法在缺失数据修复方法、关联规则分析领域、预测问题的应用以及金义东公路交通安全的改善措施提供了理论与实践依据。