道路交通事故预测方法研究

论文摘要

道路交通事故已成为当今社会的一大公害,严重地威胁着人们的生命和财产的安全。一直以来,我国交通事故死亡人数居世界首位,平均每年死伤数十万人,直接经济损失达数十亿元。道路交通事故预测是道路交通安全研究的一项重要内容,目的是为了掌握交通事故的未来发展状况,根据交通事故预测结果采取相应的对策和决策,避免日后工作中的缺陷和不足,从而最终达到减少交通事故的目的。本文在分析现有交通事故预测方法的基础上,将主成分分析和聚类分析引入到交通事故预测中,论文的主要工作和结论如下：1、道路交通事故的发生受到多个因素的影响,这些因素之间可能存在着信息的重叠,这种信息的重叠有时甚至会抹杀交通事故的真正特征与内在规律,因此将主成分分析引入到道路交通事故预测中。首先应用主成分分析的基本原理把影响道路交通事故的指标进行主成分分析,剔除一些重叠的信息,并起到降维的目的,然后结合BP神经网络对道路交通事故进行预测(基于PCA的BP神经网络),最后把预测结果与未进行主成分分析的BP神经网络预测结果相比较。得出结论：基于PCA的BP神经网络在预测精度上较BP神经网络有了明显的提高。2、不同的城市在不同阶段交通事故发展趋势各异。为了更好的预测不同城市的交通事故,将聚类分析引入到道路交通事故预测,应用聚类分析类型化方法将不同城市的交通事故进行聚类分析,依据事故指标将不同城市划分为不同的类别,然后用多种方法对不同类别城市的交通事故进行预测,最后找出与每一类城市相适应的事故预测方法。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.2 道路交通事故预测的目的、意义及步骤
• 1.3 本论文主要研究内容
• 第二章 道路交通事故预测方法国内外研究现状
• 2.1 时间序列预测法
• 2.1.1 简单平均法
• 2.1.2 指数平滑法
• 2.1.3 趋势外推法
• 2.2 灰色预测
• 2.2.1 灰色预测的基本思路
• 2.2.2 GM（1,1）模型的建立方法与步骤
• 2.2.3 灰色预测优缺点
• 2.3 回归分析预测法
• 2.3.1 预测步骤
• 2.3.2 多元线性回归方程模型
• 2.3.3 非线性回归分析
• 2.4 BP神经网络预测法
• 2.4.1 BP神经网络模型
• 2.4.2 BP神经网络程序的实现
• 第3章 基于主成分分析的道路交通事故预测
• 3.1 主成分分析（PRINCIPAL COMPONENT ANALYSIS）
• 3.1.1 主成分分析的基本思想与理论
• 3.1.2 主成分分析的几何意义
• 3.1.3 样本主成分的导出
• 3.1.4 主成分分析步骤及框图
• 3.2 主成分分析的上机实现
• 3.3 道路交通事故影响因素主成分分析
• 3.3.1 主成分分析的指标选取
• 3.3.2 主成分分析在SPSS的实现步骤
• 3.4 基于BP神经网络的事故预测
• 3.4.1 网络样本的选取
• 3.4.2 学习样本的预处理
• 3.4.3 神经网络隐层个数及隐层神经元个数的确定
• 3.4.4 预测结果的输出
• 3.4.5 预测结果的反归一化处理
• 3.5 基于主成分分析的BP神经网络的事故预测
• 3.5.1 样本的选取
• 3.5.2 学习样本的预处理
• 3.5.3 神经网络隐层个数及隐层神经元个数的确定
• 3.5.4 预测结果的输出
• 3.5.5 预测结果的反归一化处理
• 3.6 事故起数预测结果对比
• 3.7 死亡人数预测结果对比
• 第4章 基于聚类分析的道路交通事故预测
• 4.1 聚类分析
• 4.1.1 聚类分析的概念
• 4.1.2 聚类分析的一般步骤
• 4.1.3 聚类分析衡量指标
• 4.1.4 常用的聚类方法
• 4.2 基于聚类分析的城市类型化
• 4.2.1 类型化指标的选择
• 4.2.2 基于SPSS的聚类分析实现
• 4.3 平稳递减型
• 4.3.1 传统时间序列预测
• 4.3.2 回归模型预测
• 4.3.3 GM（1,1）模型预测
• 4.3.4 BP神经网络预测
• 4.3.5 预测结果分析（平稳递减型）
• 4.4 先增后减型
• 4.4.1 传统时间序列预测
• 4.4.2 回归模型预测
• 4.4.3 GM（1,1）模型预测
• 4.4.4 BP神经网络预测
• 4.4.5 预测结果分析（先增后减型）
• 4.5 波动型
• 4.5.1 传统时间序列
• 4.5.2 回归模型预测
• 4.5.3 GM（1,1）模型预测
• 4.5.4 BP神经网络预测
• 4.5.5 预测结果分析（波动型）
• 第5章 结论与展望
• 5.1 本文的主要工作及创新点
• 5.2 有待进一步研究的问题
• 致谢
• 参考文献
• 硕士期间科研工作和发表的论文