面向城市交通安全可持续发展的评价指标集的构建与分析

面向城市交通安全可持续发展的评价指标集的构建与分析

随着城市化进程的加快，中国许多城市的规模不断扩大，导致了许多城市问题。交通规则是城市拥堵和交通规则混乱造成的交通事故频发的突出问题之一。如何客观地评估城市的交通安全性一直是人们关注的问题。目前国内对交通安全的评价方法大致可以分为2类:概率数理统计方法和强度分析法.概率数理统计法中包含事故绝对数法、事故率法等,这种方法在统计上简单易行,不足之处是对事故的分析过于简单,没有考虑到不同道路交通条件的差别,使得评价结果往往缺乏科学性和说服力.在强度分析法中往往采用万车死亡数、10万车死亡数、亿车km事故数等指标,这些指标由于加入了相对参照数据,使得不同道路指标间的比较更趋科学合理.其不足之处是指标值考虑因素过少,而事故本身是多种因素作用的结果,其次以一个单一的指标值作为评价依据,可信度不够高.1998年,张苏提出了中国交通冲突技术(ChineseTrafficConflictTechnique,简称CTCT),建立了符合我国交通及冲突环境的冲突判别TAC(TimetoAccidentChinese)标准,但这种方法操作起来比较复杂.从2000年起由公安部与建设部组织全国各级城市进行“畅通工程”的建设,规范了城市交通的秩序,取得了较好的效果,并在一定程度上抑制了交通事故的发生,但仍存在不少问题.国外对于交通安全的研究也大多集中在上述2类.除此之外,还出现了比较新颖的方法,其中以美国学者伯金斯等人提出的交通冲突技术(TCT)最为引人注目,但这种方法需要一定的辅助技术,对交通冲突的观察比较复杂,实现起来相对比较困难.A.S.Hakkert提出了CART(theClassificationandRegressionTree)法来分析城际间主要道路的安全等级,该方法用二进制树的结构来详细解释道路安全和变量之间的关系,由于所研究的变量和道路条件有限,只具备一定的代表性.本项研究旨在针对城市交通安全状况,建立城市交通安全综合评价指标集和评价模型,使用评价结果指导城市交通规划、管理、设计等,促进城市交通安全环境的可持续发展.1人工神经网络方法在城市交通中的应用,人工神经网络是评价人工神经网络的基础条交通事故产生是多方面原因造成的,包括城市交通路网、路况和布局、交通安全设施、车辆、驾驶员、行人、交通法规、环境等.鉴于神经网络技术在其它领域的成功应用,提出用人工神经网络方法进行城市交通安全性评价的基本思想.人工神经网络具有与人脑神经网络某些相似的特性,如自学习、自组织、非线性动态处理、分布式知识存储和联想记忆等,为研究和处理具有不确定性的现象提供了强有力的工具.影响城市交通安全的因素众多,关系复杂,数据干扰大,因素的测度难以确定,所有这些安全性评价的特性正是人工神经网络研究对象所具有的特点,因此用人工神经网络方法进行城市交通安全性的评价是完全可行的.1.1城市道路交通安全监管评价集的建立影响交通安全的指标很多,而要把众多指标综合到一起,就必须考虑指标的自身特征、指标间的逻辑关系、指标的权值和指标的量化处理等问题,否则,就无法进行综合,也就失去了交通安全综合评价的合理性和真正价值.影响城市道路交通安全等级指标定为3个:基础数据指标、交通安全管理指标y2、公众安全评价指标y3.上述3个一级指标又可分成若干次一级指标,所有指标共13项,如表1所示.进行城市道路交通安全等级的分类评价,还需对城市道路交通安全程度进行分类,建立城市交通安全等级评价集U.本文将城市道路交通安全的等级分为4类,如表2所示.这里需要指出的是二级指标还可以继续化分为三级指标,如公众安全感由下一级若干指标组成,即x13={交通流条件、气候条件、地理位置、路网结构、噪音、大气污染、…},可以通过问卷调查得到该项指标值.1.2bp网络算法影响城市交通安全因素的样本指标,可采用专家打分的综合评定方式确定,即有利于城市交通安全的因素评为正分,反之评为负分.在城市道路交通安全评价的实际应用中,采用神经网络技术中的BP网络算法进行学习和预测.根据上述已经确定的安全判定指标:Y=(y1,y2,y3)或X=(x1,x2,x3,…,x13)与安全等级判定集U=(u1,u2,u3,u4),采用BP算法可建立城市道路交通安全评价模型,如图1所示.图1中的输入层有3个节点,输入判别指标体系中3个一级指标各自评定结果,隐蔽层节点数可选择,实际学习和预测过程中有一定的经验性;输出层包含4类基本的输出神经元,即u1,u2,u3,u4.输出层在预测过程中给出结果.1.2.1网络误差传播的梯度下降法学习样本采用专家对国内部分城市交通安全状况分类研究时所采用的样本和分类成果.对所建立的网络模型,网络各层的节点均设计成Sigmoid型非线性阈值单元,激励函数为f(x)=11+e−x.(1)f(x)=11+e-x.(1)用BP算法训练网络,进行样本学习,当式(2)成立时,学习过程结束.Ek=12∑j(Ukj−Uˆkj)2≤εANN,(2)Ek=12∑j(Ukj-U^kj)2≤εAΝΝ,(2)E=∑kEk≤εANN,(3)E=∑kEk≤εAΝΝ,(3)式中:εANN为误差临界值;Ek为用第k样本学习网络获得误差向量;Ukj为用第k样本学习,网络j输出节点的实际输出;UˆkjU^kj为j输出节点的样本k的期望输出.若式(2)不满足,则误差沿原来的路径逆向传播,按梯度下降法逐层修正网络的权值和阈值.ΔWij(t+1)=ησjOkj+αΔWij(t),(4)Δθij(t+1)=ησj+αΔθj(t),(5)式中:t为迭代步骤;η为学习收敛率,η∈(0,1);α为修正率;σj为节点j的偏差,可用下式得到.σj=⎧⎩⎨⎪⎪Okj(1−Okj)(Ukj−Uˆkj),Okj(1−Okj)∑mσmWm.输出层隐蔽层σj={Οkj(1-Οkj)(Ukj-U^kj),输出层Οkj(1-Οkj)∑mσmWm.隐蔽层ΔWij(t+1)为网络学习经过t+1步时的权值修正量;Δθij(t+1)为节点在网络学习t+1步时的阈值修正值.1.2.2城市轨道交通安全性评价模型的建立待评价城市道路交通安全等级的各指标判定结果(分值),或Y′=(y′1,y′2,y′3)作为网络输入,利用前述样本学习获得的稳定权值和阈值对输入的某个城市指标进行评价,评价过程是正向计算各层节点的输出.某层节点的输出为Oi=11+e−netii,neti=∑jWijOj+θj.(6)Οi=11+ei-neti,neti=∑jWijΟj+θj.(6)对输出层有U′i=Oi,其中U′i为城市道路交通安全等级评价集,由此,U′i=(u′1,u′2,u′3,u′4),即为评价结果.根据建立的神经网络模型,利用MATLAB中BP算法函数,编制了具有自学习、自组织功能的智能分类程序.2计算2.1酶活动类本文选取12个样本(城市),按表1所示的3个一级指标将城市道路交通安全性分成了表2所示的4类.将4类样本的期望输出值依次设置为:“0.9,0.1,0.1,0.1”(Ⅰ类);“0.1,0.9,0.1,0.1”(Ⅱ类);“0.1,0.1,0.9,0.1”(Ⅲ类);“0.1,0.1,0.1,0.9”(Ⅳ类).神经网络的隐蔽层为1层,含6个节点,训练迭代次数为4000次,收敛度达0.0016,经过学习,网络完全识别了所给的学习样本,建立了判别因素与城市道路交通安全等级之间的复杂映射关系,见表3所示,误差曲线见图2所示.2.2交通安全监管评价某城市交通安全评价一级指标打分评判结果为:yi={0,25,-5}.将3个指标判定结果作为训练后的神经网络的输入,进行交通安全等级评价,得到的最后结果为:“0.1046,0.1020,0.0987,0.9000”,属于Ⅳ类,根据该评价结果,在今后的城市交通安全管理中采取有效措施,减少交通事故和财产损失.3基于学习样本集的p神经网络安全评价提出了面向城市交通安全可持续发展的评价指标集,应用神经网络技术建立城市道路交通安全评价模型,采用MATLAB软件编制了具有自学习功能的智能化评价软件,用BP神经网络进行城市道路交通安全评价,其学习样本集规模及代表起关键作用,通过大量样本的训练,对“未知”样本的