摘 要

近年来，随着全球汽车业的蓬勃发展，各类交通安全事故在各个国家屡见不鲜。一直以来，全社会对交通安全始终关注着，研发部门投入大量人力物力致力于交通安全问题。道路交通事故预测是道路交通安全研究中必不可少的一部分，同时也是保障人民日常生活的重要一环。对于这种交通事故预测来说，目的是为了集成当下数据，构成一个新的运行环境，掌握一定的数理规律，对未来的交通事故发展状况进行模拟。在此情况下可以有效地控制各类有利及不利因素的出现，并进行有效的交通安全措施的执行，最终达到减少交通事故的目的。在收集数据时，可以很清楚地发现车辆在道路行驶的过程中的复数特征量，和其随机性、动态性，使道路交通系统在预测事故时具有一定的复杂性。

基于上述的情况，本文构建了“多因素”影响下的道路交通事故风险预测模型，在此基础上，运用BP神经网络构建神经网络系统，对所筛选和经过处理的数据进行训练，并得出训练较好的神经网络系统。同时由于不同于构建神经网络系统时能收集到的完整数据，在实际的道路交通预测中并不是所有的信息都可知可得，引入灰色理论预测模型，可解决数据的缺失所带来的问题，两者共同构建了一个灰色神经网络组合预测模型，可适应实际的道路交通系统预测过程中的复数特征量问题及未知信息问题；再结合已经构建的道路交通事故风险预测模型，使得训练出来的神经网络系统能够使用和适配此风险预测模型；同时将道路交通安全数据在地图上标点显示，做到数据可视化；最后将实际研究的数据集应用与上述成果中，得到令人信服的结果。

关键词：灰色理论；BP神经网络；多因素；组合预测模型；数据可视化

Abstract

In recent years, with the rapid development of the global automobile industry, all kinds of traffic safety accidents are common in various countries. All along, the whole society has always paid attention to traffic safety, and the Research and Development (Ramp;D) departments have invested a lot of human and material resources in traffic safety issues. Road traffic accident prediction is an essential part of road traffic safety research, also an important part of ensuring people's daily life. For this traffic accident prediction, the purpose of prediction is to integrate the current data, form a new operation environment, master certain mathematical laws, simulate the future traffic accident development situation. In this case, it can effectively control the emergence of various favorable and unfavorable factors, and carry out effective traffic safety measures, and ultimately achieve the purpose of reducing traffic accidents. When collecting data, it is clear that the complex characteristic quantity of vehicles in the process of road driving, together with its randomness and dynamics, makes the road traffic system have certain complexity in predicting accidents.

Based on the above situation, this paper constructs a road traffic accident risk prediction model under the influence of "multi factors". On this basis, BP neural network is used to build a neural network system to train the selected and processed data, and a better trained neural network system is obtained. At the same time, because it is different from the complete data that can be collected when building the neural network system, not all the information in the actual road traffic prediction can be known and available. The introduction of the grey theory prediction model can solve the problem caused by the lack of data. Both of them jointly build a grey neural network combined prediction model, which can adapt to the actual road traffic system prediction process In addition, the neural network system trained can use and adapt the risk prediction model. At the same time, the road traffic safety data is displayed on the map by punctuation to achieve data visualization. Finally, the actual research data set is applied to the above results to get the A convincing result.

Keywords: Grey theory; BP neural network; Multi factors; Combined forecasting model; Data visualization

目 录

第1章 绪论 1

1.1 选题的背景及意义 1

1.1.1 预测的原理 1

1.1.2 道路交通事故预测步骤 1

1.1.3 选题背景 2

1.1.4 选题意义 3

1.2 国内外研究现状 4

1.2.1 经验模型法 4

1.2.2 时间序列法 4

1.2.3 灰色GM(1,1)模型 5

1.2.4 数理分析预测模型 5

1.2.5 神经网络预测模型 5

1.3 论文的主要内容 6

第2章 数据相关性分析 8

2.1 数据的归一化处理 8

2.2 灰色系统理论及应用 10

2.2.1 灰色系统理论概述 10

2.2.2 灰色系统理论的应用 10

第3章 基于BP神经网络的风险预测模型 11

3.1 交通安全风险预测模型的构建 11

3.1.1 交通安全风险评估模型 11

3.1.2 风险预测流程 12

3.2 BP神经网络模型及算法 12

3.2.1 BP神经网络概述 12

3.2.2 神经网络结构 13

3.2.3 BP神经网络激活函数 14

3.3 BP神经网络的训练 15

第4章 道路交通事故风险预测模型实际应用 19

4.1 数据可视化 19

4.2 基于JOSM-Matlab的调试 19

4.3 预测模型的应用及结果分析 22

第5章 总结与展望 25

5.1 论文的主要工作及结论 25

5.2 有待进一步研究的问题 25

参考文献 26

附录 28

致谢 34

第1章 绪论

1.1 选题的背景及意义

1.1.1 预测的原理

预测的原理是在未来的某一段时间或时期内对某一事物或事件的估计和推断，从而得知事物的未来变化趋势，以便后续研究使用的行为。通过这类的趋势分析是几乎所有预测中最常见最普通的预测方法。风险和不确定性是预测和预测的核心，对于无法掌握的因素而言，人们普遍认为指出预测的不确定性程度是一种良好的做法。不过无论如何，数据必须是最新的，以便预测尽可能准确。

1.1.2 道路交通事故预测步骤

预测是一个科学合理的过程，任何环节只要欠缺考虑不确定的因素，整个环节就极有可能偏离预测者想要的结果，因此在道路交通事故预测中，要按照一定的步骤进行预测。一般来说，预测道路交通事故可以遵循以下步骤：

第一步：根据预测的目的来确定预测的目标；