道路交通事故径向基神经网络预测模型研究
基于神经网络的交通数据分析与预测技术研究
基于神经网络的交通数据分析与预测技术研究随着城市化进程不断加速，交通拥堵成为影响城市生活质量和经济发展的重要因素。
如何优化城市交通，提高交通流动性，降低交通事故发生率，成为当前关注的热点话题之一。
而神经网络技术，作为一种人工智能技术的重要分支，正逐渐应用于交通领域中，广泛应用于交通状态预测、路况评价、信号控制等方面。
本文就基于神经网络的交通数据分析和预测技术进行研究。
一、交通数据分析技术1、数据采集在交通数据采集方面，主要应用了传感器、卫星导航和通信技术。
通过交通监控设备采集视频、图片、车辆轨迹等数据，并对数据进行存储和分析处理，从而得出交通状况（如道路通行速度、车辆密度等）。
此外还可以利用车载设备和复合式传感器，实现交通信息的实时采集和传输。
2、数据处理交通数据处理的主要目的是对采集到的数据进行分类、过滤、预处理，并对数据进行建模、分析和预测。
在数据处理中，需要借助数学、统计和计算机等学科几种方法同时进行。
此外，通过采用推荐算法、鲁棒统计、模型评估等技术，可以提高数据处理的准确率、稳定性，提高数据处理后的结果可信度。
3、数据可视化从数据收集、处理到分析、预测，交通数据呈现的量级较大，因此需要通过数据可视化技术将数据可视化呈现。
交通数据可视化和人工智能、多媒体技术等相结合，可以实现有趣、直观、易于理解的交互式信息呈现。
二、交通数据预测技术1、神经网络神经网络是一种高度并行的计算模型，其网络结构类似于生物神经元的输入、处理和输出过程，能够用于处理模式识别、自适应控制、系统建模等问题。
在交通领域，神经网络技术主要应用于交通数据预测和交通流量优化。
2、预测方法为了预测交通数据，可以使用各种类型的神经网络，如前馈神经网络、反馈神经网络、循环神经网络等。
基于神经网络的交通数据预测方法主要包括单一神经网络预测法、组合神经网络预测法、迁移学习神经网络预测法、深度卷积神经网络等。
3、预测效果神经网络技术的应用可以显著提高交通数据预测的准确性和稳定性。
基于径向基函数神经网络的城市道路路段行程时间实时预测模型
基于径向基函数神经网络的城市道路路段行程时间实时预测模型刘江用;云美萍;闫亚文;杨晓光【摘要】提出利用径向基函数(RBF)神经网络方法对城市道路路段行程时间进行建模预测,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性.并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高.%Travel time is a comprehensive index of traffic condition and the base of route guidance and traffic management. The prediction for travel time has been the key issue of ITS research. This paper provides a method to predict urban road travel time with Radial Basis Function Neural Network. Traffic data collected by loop and camera are used in simulation. The experiment results show the rationality of model. After comparison with BP neural network, the results prove that the RBF Neural network can predict the travel time in real time well and the adaptability and accuracy of RBF neural network are better than those of BP neural network.【期刊名称】《交通信息与安全》【年(卷),期】2011(029)005【总页数】5页(P31-35)【关键词】行程时间;神经网络;径向基函数【作者】刘江用;云美萍;闫亚文;杨晓光【作者单位】同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804;同济大学交通运输工程学院上海201804【正文语种】中文【中图分类】U491行程时间是体现道路交通状态的综合性指标，可以评价道路的整体通畅程度，反映运输效率。
基于神经网络的交通预测技术研究
基于神经网络的交通预测技术研究第一章绪论随着城市交通越来越拥挤，交通预测技术成为了解决交通问题的重要手段之一。
作为智能交通领域中的一项重要技术，基于神经网络的交通预测技术因其在交通预测准确度和预测效率上的优势，取得了广泛的应用和研究。
本文旨在探讨基于神经网络的交通预测技术的相关方法、研究现状以及未来发展趋势，以期为相关领域的研究者提供参考和启示，推动交通预测技术的进一步发展。
第二章基于神经网络的交通预测技术神经网络是一种模拟人类神经系统的计算模型，它由大量的节点和连接构成，用于解决数据挖掘、图像识别、语音识别等问题。
基于神经网络的交通预测技术主要通过大规模数据的训练来识别并预测不同交通流量的变化趋势，主要包括以下几种方法：1. BP神经网络模型BP神经网络是一种常用的前向反馈神经网络模型，通过反向传播算法来学习和训练模型，从而实现交通流量的预测。
该模型主要应用于预测某个道路的车辆流量、速度和延误等指标。
2. RBF神经网络模型RBF神经网络是一种基于径向基函数的神经网络模型，能够有效地处理高维数据，适用于交通流量和交通事故等方面的预测。
与BP神经网络相比，RBF神经网络具有更好的非线性建模能力，能够更好地应对复杂的交通预测问题。
3. GRU网络模型GRU网络是一种递归神经网络模型，适用于时间序列数据的处理和预测。
它能够有效地处理长期依赖关系，在交通流量预测方面表现出良好的效果。
第三章基于神经网络的交通预测技术研究现状基于神经网络的交通预测技术已经在很多国家得到应用和发展，且成为未来交通预测的趋势。
下面结合国内外相关文献，介绍基于神经网络的交通预测技术在不同领域的应用研究现状。
1. 城市交通流量预测很多研究者将神经网络应用于城市交通流量预测中，以解决拥堵问题。
例如，美国加州大学的研究者采用了BP神经网络模型，并基于车辆GPS数据预测洛杉矶地区道路交通流量，预测结果表明，该模型具有比较高的准确度和预测效率。
基于人工神经网络的交通预测研究
基于人工神经网络的交通预测研究交通预测一直是一个备受关注的话题。
对于城市交通管理部门来说，交通预测对于优化交通治理、提高道路利用率有着重要的意义。
而人工神经网络作为一种优秀的预测模型，近年来在交通预测领域也被广泛应用。
一、人工神经网络简介人工神经网络是一种模仿生物神经网络功能和结构的数学模型，在计算机模拟中对人类神经系统的一种抽象模型。
它由大量的单元(称为神经元)以及它们之间的联系组成，可以通过学习不断提高预测精度。
人工神经网络的基本结构是由多个神经元组成的网络。
每个神经元接收来自多个神经元的处理结果，通过加权和激活函数的处理传递给其他神经元。
在人工神经网络的学习过程中，通过调整权值和激活函数等参数，使网络的预测结果不断趋近于实际情况。
二、交通预测分析交通预测是指通过历史数据以及其他相关信息，对未来交通状况进行分析和预测。
交通预测可以对城市交通管理部门提供重要的参考依据，帮助决策者制定合理的交通管理方案。
交通预测通常包含以下几个方面的内容：交通量预测、路段车速预测、交通拥堵预测、交通事故预测等。
其中，交通量预测是最基本的预测任务。
通过历史数据的学习和分析，人工神经网络可以学习到不同的交通流量变化规律。
对于不同的路段，可以根据历史数据中的交通流量、时间、天气等因素，建立人工神经网络预测模型，对未来的交通流量进行预测。
在实际应用中，交通管理部门可以根据预测结果采取相应的措施，合理分流交通流量，缓解道路压力，提高道路利用率。
三、基于人工神经网络的交通预测人工神经网络有着优秀的预测效果，适用于各类交通预测任务。
在交通预测领域，人工神经网络已经成为了一种重要的工具。
通过对历史数据的学习和分析，建立出交通预测模型，可以对未来的交通状况进行准确、可靠的预测。
下面，我们来看一些应用实例。
（1）路网交通状况预测研究人员可以根据既有的交通数据，通过人工神经网络模型预测整个路网的交通状况。
在早高峰、晚高峰等交通流量较大的时段，通过预测交通状况，交通管理部门可以及时采取措施加强管理，避免发生交通拥堵。
基于神经网络的交通事故预测与预警模型研究
基于神经网络的交通事故预测与预警模型研究交通事故是全球范围内的严重问题，每年都造成了无数的人员伤亡和财产损失。
因此，研究和开发基于神经网络的交通事故预测与预警模型具有重要意义。
本文将对这一研究进行探讨，从理论到实践，为交通事故预测与预警提供一种新的解决方案。
首先，我们需要了解什么是神经网络。
神经网络是一种计算模型，其灵感来源于人类神经系统的工作原理。
它由许多相互连接的人工神经元组成，这些神经元通过权重来进行信息传递和计算。
通过训练数据，神经网络可以学习并建立输入和输出之间的关系。
在交通事故预测与预警模型研究中，神经网络被广泛应用。
首先，我们需要采集大量的交通数据，包括交通流量、道路条件、天气状况等。
这些数据将作为神经网络的输入特征。
然后，我们需要标记交通数据中发生事故的样本，并将其作为神经网络的输出标签。
通过训练神经网络，我们可以建立输入特征与事故发生的关系模型。
为了提高交通事故预测与预警的准确性，我们可以尝试不同类型的神经网络模型。
例如，多层感知机（MLP）是最常用的神经网络模型之一。
它由多个全连接的隐藏层和一个输出层组成，可以处理复杂的非线性关系。
此外，卷积神经网络（CNN）也具有很好的特征提取能力，适合处理图像类数据。
循环神经网络（RNN）则适用于处理时序类数据，如交通数据中随时间变化的信息。
除了选择合适的神经网络模型，我们还需要优化神经网络的参数。
通常，我们可以使用反向传播算法或者其他优化方法来更新神经网络的权重和偏置，使其逼近真实的交通事故模型。
此外，为了防止过拟合现象的出现，我们可以使用正则化方法，如L1或L2正则化，以减小模型的复杂度。
同时，我们还可以采用交叉验证等方法来评估模型的性能。
在实际应用中，基于神经网络的交通事故预测与预警模型可以发挥重要作用。
首先，它可以帮助政府和交通管理部门及时发现潜在的交通事故风险，并采取预防措施，从而减少事故的发生。
其次，该模型可以提供给驾驶员实时的交通事故预警信息，帮助他们做出安全驾驶决策，避免潜在的危险。
基于神经网络的交通预测算法研究
基于神经网络的交通预测算法研究随着城市发展和人口增长，交通拥堵问题日益严重，加剧了人们的出行压力和生活质量。
因此，交通预测算法的研究和应用越来越受到人们的关注。
传统交通预测算法通过对历史数据的分析，来预测未来的交通情况，如ARIMA、SARIMA等时间序列分析方法。
这些方法虽然简单易懂，但存在许多的限制，如需要大量的历史数据、对数据的敏感性差、无法实时更新和对时空关系的表达不够精细等。
因此，基于神经网络的交通预测算法逐渐被人们所重视。
神经网络是一种基于人工智能的模拟神经系统行为和功能的数学模型。
它的训练方式是从样本中学习，并通过大量数据的训练不断优化模型的权重，以达到精确的预测效果。
在交通预测中，神经网络有着诸多优势：能够处理非线性信息、具有自适应性、高容错性和强泛化能力等。
因此，基于神经网络的交通预测算法在实际应用中表现出共有的优势。
首先，神经网络可以充分利用历史数据进行学习，从而更好地预测未来交通情况。
1980年，Hertz等人提出的反向传播算法是训练神经网络的一种重要优化方法。
该算法通过使用梯度下降来调整网络中各个节点的权重，从而最小化输出误差。
通过反向传播算法训练的神经网络，可以更好地预测未来的交通状况，比如交通拥堵程度、路段通行时间等。
其次，神经网络可以处理非线性关系，提高交通预测的准确性。
传统的交通预测算法使用的是线性模型，难以处理非线性关系。
而神经网络可以对非线性数据建立更好的模型，如多层神经网络和卷积神经网络。
这些复杂的模型能够对数据表达的非线性关系进行精细建模，从而更准确地预测交通流量等交通指标。
再次，神经网络意味着更多的实时数据处理。
神经网络基于传感器等数据源，能够从实时数据中学习，并及时反馈结果。
基于神经网络的交通预测算法，可以不断地更新和修改训练模型，从而更好地适应变化的交通状况。
这意味着基于神经网络的交通预测算法能够更高效地处理实时数据，从而更准确地预测未来的交通情况。
基于神经网络的道路交通流量预测技术研究
基于神经网络的道路交通流量预测技术研究近年来，随着城市化进程的加速以及汽车保有量的快速增长，道路交通拥堵已经成为城市运行管理面临的一个重要问题。
交通预测是解决道路交通拥堵的关键之一。
传统的交通预测方法基于时间序列分析和统计方法，对于简单的交通事故和道路拥堵有着不错的预测效果，但对于复杂的交通事故、特殊天气和突发事件缺乏应对能力。
因此，研究基于神经网络的道路交通流量预测技术是一个具有重要性的课题。
一、神经网络的原理与应用神经网络就是一组由多个神经元连接而成的系统，其功能类似于大脑的神经系统。
神经网络通过学习样本数据，建立输入与输出的映射关系，实现对输入数据的联想记忆和分类识别。
在交通流量预测中，神经网络可以学习历史交通流量与预测时间的映射关系，从而根据当前时刻的实时数据预测未来交通流量。
神经网络广泛应用于多个领域，如语音识别、图像处理、自然语言处理等。
在交通领域中，神经网络已经成功应用于交通流量预测、交通信号控制和车辆跟踪等方面。
其中，在交通流量预测中，基于神经网络的预测方法它们能够对复杂的时间序列的数据建模，能够对非线性的时间序列进行预测，具有很高的实时性和预测精度。
二、基于神经网络的道路交通流量预测技术基于神经网络的道路交通流量预测技术通常具有以下三个主要环节：输入变量选取、神经网络模型设计、网络训练及预测。
输入变量选取是交通预测中的一个关键环节，需要选择合适的输入变量，建立准确的预测模型。
该环节需要考虑影响交通流量的多种因素，如历史交通流量、气象因素、特定时间特征等。
通常建议线性地选择那些有影响的因素，使得输入向量具有较可控的维数，并可以提高网络的训练和预测的精度。
神经网络的模型设计通常包括网络结构、神经元数目、激活函数和优化器的选择等。
一般设定好神经网络的输入层、输出层以及中间的隐层，通过调整隐层神经元的个数和层数，可以构建出更合适的预测模型。
同时，优化器的选择也十分重要，可以帮助提高神经网络的训练效率和预测精度。
基于BP神经网络的道路交通事故预测研究
市 政 与 路 桥基于 BP 神经网络的道路交通事故预测研究罗传平 1蒋显勤 2（1、浙江省三门县公路管理段，浙江 三门 317100 2、浙江省临海市交通工程建设有限公司，浙江 临海 317000）摘 要：随着我国机动化进程的加快，道路交通安全问题越来越受到人们的关注。
对道路交通事故进行了机理分析，采用 BP 神经网络，建立可靠性较高的事故预测模型，提出了可预测事故发生因素导致事故发生概率值的研究方法。
关键词：道路交通事故；BP 神经网络；事故预测1 研究背景 随着我国经济的突飞猛进，我国公路建设亦取得了令人瞩目的伟大成就，但是与发达国家相 比，我国当前的道路交通安全事故形势十分严峻。
这主要体现在以下几个方面：交通事故死亡人数 稳居世界第一；交通事故的严重性程度极高；道路 交通中的死亡风险很高；道路交通事故仍处于持 续增长时期。
随着机动化水平的不断发展和人民 的生活质量的不断提高，公众的目光会越来越关 注于道路交通的安全性。
道路交通事故预测在交通管理、控制和有关 规划设计中有着重要的作用，而道路交通事故的 形成因素包括人、车、路、环境等多个非线性因素， 带有较大的随机性。
传统的线性分析方法无法揭 示其内涵，预测结果无法令人满意，故存在有较大 的局限性。
而交通事故的预测可以视作一个非线 性随机的输入输出系统，利于神经网络的学习能力和适用能力实现系统的映射特性，完成对系统 的建模和控制，在理论上保证了神经网络用于事故预测的可行性。
2 道路交通事故机理分析 道路交通指的是人、车在道路上的移动，它是一个由人、车、路环境等因素构成的复杂的动态 系统。
人、车、路、环境等几个互不相同的要素，在 构成具有特定功能的道路交通系统整体时，它们 之间就产生了互相依赖、互相作用的特定而不可分离的联系，因而具有系统性。
2.1 影响驾驶员行为的因素 在道路交通系统中，人是四大因素中惟一的自主型变量，因此，人是交通事故的核心。
基于神经网络的交通事故预警系统设计
基于神经网络的交通事故预警系统设计随着城市化的不断加剧，交通事故已成为城市安全隐患之一。
一方面，人口密集的城市道路难以满足交通量剧增的需求；另一方面，司机驾驶过程中的注意力、疲劳、饮酒等因素也会给交通安全带来极大的威胁。
为了避免交通事故的发生，科技领域不断推陈出新。
本文将围绕基于神经网络的交通事故预警系统进行探讨。
第一部分：交通事故预警系统设计为了减少交通事故的发生，需要对交通事件进行智能预测。
交通事故预警系统集成了实时数据采集、数据处理、预测算法和预警响应四部分。
其中，神经网络模型是交通事故预测算法中最能够适应复杂数据的一种算法。
神经网络是一种仿真人脑神经系统的计算模型。
人脑的神经元通过突触与其他神经元相连，以传递信号作为信息交流。
神经网络也是由大量人工神经元而成，它们相互连接构成一个庞大的平行分布系统。
神经网络具有自学习和自适应性，能够处理分类、回归、预测等多种问题。
因此，神经网络被广泛应用于生物学、金融、医疗等领域。
在交通事故预警系统设计中，神经网络模型被应用于建模和预测。
神经网络的输入数据源包括：历史交通事件数据、天气信息、道路情况等。
神经网络将数据进行训练和学习，逐渐建立模型，进行预测和预警。
神经网络模型的核心是算法选择。
在交通事故预警系统中，常用的神经网络算法有：BP神经网络、RBF神经网络、Elman神经网络、Hopfield神经网络等。
根据实际情况进行算法选择，在建立模型时选择一种适当算法能够有效提高预测准确率。
接下来，本文将分别探讨交通数据采集、神经网络模型建立、预测算法选择和预警响应。
第二部分：交通数据采集交通数据采集是构建交通事故预警系统的基础，可以通过手动采集、计算机视觉采集等方式获取数据。
手动采集需要人员投入，且容易漏采，计算机视觉采集则需要摄像头和相关算法支持。
根据实际需求，选择合理的采集方式。
在采集数据时需要注意数据的质量以及数据的多样性。
数据质量直接影响模型精度，因此需要关注数据采集环境，保证数据真实有效。
基于神经网络的交通预测模型
基于神经网络的交通预测模型随着人口的增长，城市交通问题一直是我们需要认真关注和处理的问题。
交通预测作为交通管理系统的重要组成部分，为我们提供了有效的道路和交通安排方法，帮助我们更有效地管理交通流量，减少交通堵塞和事故。
近年来，随着神经网络技术的不断发展，基于神经网络的交通预测模型逐渐成为了当前交通预测领域的研究热点和前沿。
一、神经网络介绍神经网络（Neural Network）是模拟大脑神经元的计算机算法，它是人工智能领域中最为重要的研究方向之一。
神经网络对模式识别和预测分析具有很强的能力，模拟神经细胞的结构和功能，能够自动学习、自适应、自校正，是一种很好的非线性系统模型。
神经网络的基本架构由多个神经元组成的层级结构，通常包括输入层、隐藏层和输出层。
输入层接受来自外部的数据，隐藏层用于处理输入信息，输出层产生最终结果。
神经网络具有很好的鲁棒性和适应性，可以适应各种不同的预测场景，包括时间序列预测、分类、回归等。
在交通预测领域中，基于神经网络的预测模型可以用于预测车流量、车速、拥堵程度等信息，帮助交通管理部门更好地管理交通流量，提高道路使用效率和安全性。
二、基于神经网络的交通预测模型基于神经网络的交通预测模型有很多种，包括BP神经网络、RBF神经网络、Elman神经网络等。
其中，BP神经网络应用最为广泛，因为它是最经典的人工神经网络模型之一，具有很好的预测性能和学习效果。
BP神经网络通过对数据进行训练来生成模型，可用于预测交通流量、车速等交通信息。
BP网络的训练过程主要是通过对神经元之间的连接权值进行学习，使网络能够学习到输入和输出之间的映射关系。
通过反向传播算法来实现训练过程，即先将实际输出和目标输出之间的误差传递给隐含层，再根据误差值来更新连接权值，不断重复这个过程直至误差趋于收敛，从而生成一个训练好的BP神经网络。
不过，基于神经网络的交通预测模型也存在一些问题，比如数据缺失对预测效果的影响较大，需要对数据进行预处理和处理缺失值；同时，神经网络模型的可解释性较差，需要更好的解释来增强对预测结果的信任度；最后，神经网络模型需要大量的数据进行训练，而采集和处理这些数据需要耗费很大的精力和时间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2009，45（17）Computer Engineering and Applications 计算机工程与应用道路交通事故预测是道路交通安全管理、规划和决策的前提和基础，其目的是对交通安全措施的可行性和实施效果进行合理评价，有效地控制各影响因素，以达到减少交通事故的目的[1]。
道路交通事故与其致因之间呈现多因素、复杂的非线性关系，难以用函数模型描述。
目前国内外尚无肯定的计算式。
常用的交通事故预测方法包括交通事故多层递阶预测方法、双向模糊图模型、灰色马尔可夫预测模型、非线性回归模型及灰色预测模型。
这些方法大都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特性，从而丢失了信息。
人工神经网络作为一种并行的计算模型，具有传统建模方法所不具备的很多优点，它有很好的非线性映射能力，对建模对象的经验知识要求不多，一般不必事先知道有关被建模对象的结构、参数和动态特性等方面的知识，只需给出对象的输入/输出数据，通过网络本身的学习功能就可以达到输入与输出的映射关系[2]，在许多实际领域中取得了显著成效。
李鹃[3]、张立军[4]利用BP 网络建立了交通事故预测模型，但BP 网络存在收敛速度慢和局部极小的缺点，在解决样本量少且噪声较多的问题时，效果并不理想。
径向基神经网络在逼近能力、分类能力和学习速度上较BP 网络有着较强的优势。
RBF 神经网络结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数。
因此RBF 网络有较为广泛的应用。
1径向基神经网络结构和算法RBF 神经网络具有单隐层的三层前馈网络。
第一层是输入层，由信号源节点组成；第二层是隐含层，隐单元的数目由所描述的问题而定；隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数；第三层为输出层，它对输入模式作出响应。
隐层每个神经元与输入层相连的权值向量W 1i 和输入矢量X q（表示第q 个输入向量）之间的距离乘上阈值b 1i 作为本身的输入，由此可得隐含层的第i 个神经元的输入为：r q i =j∑（w 1ji-x q j）2姨×b 1i道路交通事故径向基神经网络预测模型研究刘秀清，王晓原，宇仁德LIU Xiu-qing ，WANG Xiao-yuan ，YU Ren-de山东理工大学交通与车辆工程学院，山东淄博255049School of Transportation and Automobile Engineering ，Shandong University of Technology ，Zibo ，Shandong 255049，ChinaLIU Xiu-qing ，WANG Xiao-yuan ，YU Ren-de.Study on traffic accidents prediction model based on RBF neural network.Computer Engineering and Applications ，2009，45（17）：188-190.Abstract ：The propose of road traffic accident predication is to provide traffic safety trend transformation for road safety adminis －trator institution.Based on the analysis of road traffic accident ，a set of RBF neural network model which are applied to forecast traffic accident are presented.The RBF neural network model used to predict and extrapolate the number of death and economy lose of 2000~2006.The result shows the way is precise and feasible.Key words ：RBF neural network ；traffic accident ；predication ；Matlab 摘要：道路交通事故预测的目的是为交通管理部门提供未来交通安全的发展趋势。
论文在进行交通事故统计的基础上，运用径向基神经网络理论，利用Matlab 软件建立交通事故预测模型，对1990年至2006年的交通事故死亡人数和经济损失进行网络训练和外推预测。
计算结果表明，该模型预测和外推精度高，可用于交通事故预测。
关键词：径向基神经网络；交通事故；预测；MatlabDOI ：10.3778/j.issn.1002-8331.2009.17.057文章编号：1002－8331（2009）17-0188-03文献标识码：A 中图分类号：TP391基金项目：山东省自然科学基金（the Natural Science Foundation of Shandong Province of China under Grant No.Y2006G32）；山东省社会科学规划研究项目（No.04CMZ08）。
作者简介：刘秀清，女，讲师，研究方向为交通安全；王晓原，男，博士，教授，研究方向为交通仿真。
收稿日期：2008-06-18修回日期：2009-03-06图1径向基神经网络结构图r q1r q2r qnx q1x q 2x qmw 111w 21w 2qyq∑……w 1mq1882009，45（17）年份1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006总人口/万人114333115823117171118517119850121121122389123626124761125786126743127627128453129227129988130756131418机动车/万辆1476.11657.61945.32331.42735.43180.33608.84220.64861.35404.76016.26851.97975.79650.010783.412894.014522.9公路里/万公里102.83104.11105.67108.35111.78115.70118.58122.64127.85135.17140.27169.80176.52180.98187.07193.05192.50人均GDP/元16431879228729393923485455766054630865517086765182149101105021183085209407死亡人数/人4927153292587296350866362714947365573861780678352993853105930109381104372992179873889455直接经济损失/万元35355428366448399900133400152267171769184616192951212402266890308787332438336914277478188000149000输入数据输出数据表1样本数据[4-6]年份19911993199519971999200120032005实际值532926350871494738618352910593010437298738预测值520806367069440748908574010757010588092840误差-2.280.26-2.871.402.651.551.44-5.98实际值4283699900152267184616212402308787336914188000预测值44005101320157700178550223489323960310850190880误差2.731.423.57-3.295.224.9-7.731.53直接经济损失/万元死亡人数/人表2预测误差图3SPREAD取不同值时的预测输出误差曲线1.81.61.41.21.00.80.60.40.2199019921994199619982000200220042006年份×10-14spd=0.1spd=0.2spd=0.3spd=0.4spd=0.5输出为：r qi=exp（-（k qi）2）=expjΣ（w1ji-x q j）2姨×b1i姨姨=exp-（‖w1i-x q‖×b1i）2‖姨径向基函数的阈值可以调节函数的灵敏度，但实际工作中常用另一参数C（称为扩展常数）。
b1和C的关系有多种确定方法，在MATLAB神经网络工具箱中，b1和C的关系为b1i= 0.8326/C i，此时隐含层神经元的输出变为：g q i =expjΣ（w1ji-x q j）2姨×0.8326Ci‖‖‖‖‖‖‖‖‖‖‖‖‖‖‖‖‖‖=exp0.832622×‖w1i-xq‖i姨‖2姨‖2预测模型的创建、训练与测试2.1输入变量输入变量选择是神经网络建模前的一项重要工作，是否能够选择出一组最能反映期望输出变化原因的输入变量直接关系到神经网络预测的性能。
交通事故属于随机事件，无法于交通肇事前预知何时、何地发生哪种性质的事故。
但交通事故的起因与众多因素相联系、相制约，客观上其间存在一定的关系。
例如人、车、路的情况与管理水平等因素都与事故相关，这些因素又涉及国家或地区的经济发展情况[1]。
国内生产总值（GDP）不但可反映一个国家的经济表现，更可以反映一国的国力与财富。
从1985年至2000年的15年中，我国GDP年均增长率为8.7%，2001年到2003年，GDP增长率分别为8.3%、9.1%和10.0%，而同期交通事故死亡人数从4万余人增长到10万余人，财产损失从1.5亿元到最高超过33亿元；此外，从发生事故的概率角度而言，直接影响交通事故的宏观因素有车辆保有量、道路里程以及人口数量等。
因此，本文选取1990～2006年的人均国内生产总值、总人口、机动车保有量和公路总里程4项指标因素作为网络输入。
表1的左侧为样本的输入数据。
2.2输出变量按照中华人民共和国道路交通安全法规定，“交通事故”是指车辆在道路上因过错或者意外造成人身伤亡或者财产损失的事件。
人身伤亡和财产损失是交通事故的直接后果，所以可以作为神经网络模型的输出变量。
表1的右侧为样本的输出数据。
3实例分析利用我国1990~2006年间偶数年的道路交通事故历史统计数据作为网络的训练样本，奇数年的历史统计数据作为网络的外推测试样本。