基于粒子群优化最小二乘支持向量机的交通事故预测方法.pdf
《基于粒子群优化最小二乘支持向量机的交通事故预测方法.pdf》由会员分享,可在线阅读,更多相关《基于粒子群优化最小二乘支持向量机的交通事故预测方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 23 卷 第 4 期2023 年 8 月交摇 通摇 工摇 程摇 摇Vol.23No.4Aug.2023DOI:10.13986/ki.jote.2023.04.016基于粒子群优化最小二乘支持向量机的交通事故预测方法韦凌翔1,2,赵洪旭2,赵鹏飞3,钟栋青2,陈天昊2(1.陆军工程大学 国防工程学院,南京摇 210007;2.盐城工学院 材料科学与工程学院,江苏 盐城摇 224051;3.北京建筑大学 土木与交通工程学院,北京摇 102616)摘摇 要:为解决交通事故预测中非线性样本影响预测精度的问题,本文构建了基于粒子群算法(PSO)优化的最小二乘支持向量机(LSSVM)的交通事故预测方
2、法.在构建交通事故数 LSSVM 预测模型的基础上,采用 PSO 算法优化 LSSVM 的惩罚系数和核函数宽度;设计了基于粒子群优化最小二乘支持向量机的交通事故预测模型;最后以我国连续 48 个月的道路交通事故数据建立模型,验证了该预测方法的有效性.实验结果表明:PSO 优化 LSSVM 的交通事故模型比使用经验参数的 LSSVM 预测模型的预测效果更好.是准确预测交通事故的方法.关键词:交通安全;交通事故;最小二乘支持向量机(LSSVM);粒子群优化算法(PSO);预测模型中图分类号:X 951;U 491郾 31文献标志码:A文章编号:2096鄄3432(2023)04鄄094鄄06收稿日
3、期:2022鄄07鄄16.基金项目:北京市博士后工作经费资助项目(No.2021鄄zz鄄111);北京建筑大学青年教师科研能力提升计划资助(No.X21066);江苏省大学生创新训练计划项目;北京建筑大学培育项目专项资金资助(X23044).作者简介:韦凌翔(1991),男,讲师,博士在读,研究方向为城市交通安全、数据挖掘与建模分析研究,E鄄mail:weilx .通讯作者:赵鹏飞(1991),男,博士,讲师,研究方向为交通安全、交通运输规划与管理,E鄄mail:zhaopengfei .Traffic Crash Prediction Method Using Least Squares S
4、upportVector Machine with Particle Swarm OptimizationWEI Lingxiang1,2,ZHAO Hongxu2,ZHAO Pengfei3,ZHONG Dongqin2,CHEN Tianhao2(1.College of Defense Engineering,Army Engineering University of PLA,Nanjing 210007,China;2.School of material science and Engineering,Yancheng Institute of Technology,Yanchen
5、g Jiangsu 224051,China;3.School of Civil and Transportation Engineering,Beijing University of Civil Engineering and Architecture,Beijing102616,China)Abstract:In order to solve the problem that nonlinear samples affect the prediction accuracy in trafficcrash prediction,this paper constructs a traffic
6、 crash prediction method based on least squares supportvector machine(LSSVM)optimized by particle swarm optimization(PSO).Based on the construction ofLSSVM prediction model for traffic crashes,the PSO algorithm is used to optimize the penalty coefficientand kernel function width of LSSVM.A traffic c
7、rash prediction model based on particle swarmoptimization least squares support vector machine is designed.Finally,a model is established based onroad traffic crash data for 48 consecutive months in China,which verifies the effectiveness of theprediction method.Experimental results show that the tra
8、ffic crash model of PSO optimized LSSVM has abetter prediction effect than that of LSSVM prediction model using empirical parameters.It is a method ofaccurately predicting traffic crashes.摇 第 4 期韦凌翔,等:基于粒子群优化最小二乘支持向量机的交通事故预测方法Key words:traffic safety;traffic crashes;least squares support vector mach
9、ine(LSSVM);particleswarm optimization algorithm(PSO);prediction model0摇 引言随着城镇化的高密度的集中与开发,城市机动车保有量依然存在持续增长,小汽车出行在居民出行比例中仍旧占有较大比例,现代城市道路交通系统面临空前未有的高峰时段出行需求压力,而交通事故已经严重威胁人民生命和财产安全成为了的当今社会的主要问题1-3.交通事故预测是一项基础性的工作,用以改善和提升城市道路交通安全环境,作为道路交通安全领域的重点研究内容之一,对于降低路面事故危害、改善道路安全性有着重大作用3-4.近年来,国内外众多学者已展开较为广泛的研究,旨在
10、能对交通事故进行科学的预测:早期用于预测交通事故的多元线性回归模型、Smeed 模型、灰度预测模型等多属于统计回归模型4-5,但是传统的回归模型无法较好地提取交通事故数据的内在相关性,无法进一步提升预测精度;随着人工智能技术的进一步开发,人们逐渐地将其融入到了交通事故预测分析中,主要代表性的交通事故预测方法有卷积神经网络模型6、相关向量机模型7、支持向量机模型8、时间序列组合预测模型9、BP 神经网络10、长短期记忆网络模型11等.以上文献的研究表明,交通事故数据具有较为复杂的非线性特征,其产生和变化机理受到各种客观因素影响,会造成交通事故数据的趋势具有较强的波动性,因此如何运用非线性理论方法
11、在有限交通事故数据中提取趋势特征进行预测是研究的主要方向.LSSVM 算法是基于支持向量机算法加以改进而得到的,可提取小样本数据趋势特征,具有可靠的全局最优性,并在多个应用领域得到验证12.众多研究表明 LSSVM 算法在样本量很小的预测中占有一定得优势,但是该算法能否预测准确却很大程度上取决于参数选择13,针对此问题,本文利用 PSO算法的全局搜索能力对预测模型的惩罚系数和核函数宽度进行寻优,从而减少搜寻最优参数的所需时间并提升交通事故预测模型的预测效果.为此,本文将 LSSVM 算法与 PSO 算法相结合,建立基于 PSO算法优化参数的 LSSVM 交通事故预测模型,以我国连续 48 个月
12、的道路交通事故发生数为例进行仿真计算,验证了此交通事故预测模型的可行性和高效性.1摇 LSSVM 原理设交通事故数据集:X=(xi,yi),i=1,2,n;xi沂Rd,yi沂R,其中,xi交通事故数输入量;yi是交通事故数输出量;n 为交通事故数据个数;d 为交通事故影响因素维度.支持向量机回归的基本思想是将一个非线性函数 渍(xi)映射到高维特征空间,然后用函数 f()在此高维特征空间内描述 渍(xi)和yi之间的非线性映射关系,即:f(xi)=棕T渍(xi)+b(1)式中,棕=(棕1,棕2,棕n)表示惯性权重系数;b 表示预先设置的阈值,通过结构风险的最小化来确定式(1)的参数 棕,b.在
13、 LSSVM 中,在结构风险的最小化 原 则(Structural Risk Minimization principle,SRM)的基础上,回归问题可转化为以下约束问题:min R=12椰棕椰2+c2移ni=1孜2is.t.yi=掖棕渍(xi)业+b+孜i,i=1,2,ns.t.孜i逸 0,i=1,2,n(2)式中,c 为惩罚因子,控制对样本超出计算误差的惩罚程度;椰棕椰2用来控制模型的复杂程度;孜i为松弛因子.求解式(2)的优化问题,可将有约束问题通过建立拉格朗日函数将转化为无约束问题:L=12|棕|2+c2移ni=1孜2-移ni=1琢i(棕T渍(xi)+b+孜i-yi)(3)式中,琢i琢
14、i(琢=1,2,n)表示拉格朗日乘数,最优的拉格朗日乘数 琢i和阈值 b 可根据 KKT 优化条件由式(4)求得:鄣l鄣棕=0 寅 棕=移ni=1琢i渍(xi)鄣l鄣b=0 寅移ni=1琢i=0鄣l鄣孜i=0 寅 琢i=c孜i鄣l鄣琢i=0 寅 棕T渍(xi)+b+孜i-yi=0(4)将式(5)转化为矩阵形式所表示的线性方程组:59交摇 通摇 工摇 程2023 年0ee赘+c-1Ib琢N=oYN(5)式 中,e=1111,琢N=琢1琢2琢n;YN=y1y2yn;赘=渍(x1)渍(x1)渍(x1)渍(x2)渍(x1)渍(xn)渍(x2)渍(x1)渍(x2)渍(x2)渍(x2)渍(xn)左左左渍(
15、xn)渍(x1)渍(xn)渍(x2)渍(xn)渍(xn).基于交通事故样本集(xi,yi),求解线性方程组(6),可得到交通事故预测模型的参数(b,琢1,琢2,琢n).令 K(xi,xj)=渍(xi)渍(xj),从而得到LSSVM 的交通事故预测模型为:yi=移nj=1琢jK(xi,xj)+b+1c琢i(6)式中,K(xi,xj)为核函数是高纬度特征空间的内积,此核函数满足 Mercer 条件.本文采用泛化能力较好的高斯径向基函数(RBF 函数)作为算法的核函数12见式(17):K(xi,xj)(=exp-椰xi-xj椰22滓)2(7)2摇 PSO 算法原理粒子群优化算法(PSO)是一种受鸟类
16、觅食行为启发的全局搜索算法14,其主要思想是:初始化一组随机粒子的位置和速度,并在一定条件下通过迭代寻找最优解.搜寻过程中将每个粒子的最佳位置定义为单个极值 Pbest,将当前种群中粒子的最佳位置定义为全局极值 Gbest.在 d 维搜索空间中,有 m 个粒子表示问题的可能解 X=X1,X2,Xm,Xi=xi1,xi2,xid代表第 i 个粒子的位置,个体适应度由 LSSVM 训练中每个训练集样本产生的均方误差(MSE)表示.适应度函数构造如下:MSE=1n移ni=1(yi-yi)2(8)式中,yi是交通事故实际值;yi是交通事故的预测值;n 是交通事故数据数.三维空间中粒子的速度定义为 Vi
17、=vi1,vi2,vid,Pi=pi1,pi2,pid 代表局部最优位置Pbest,Pg=pg1,pg2,pgd代表全局最优位置 Gbest,根据式(9)(10)确定第 i 个粒子更新后的位置和速度:Vt+1i=棕Vti+C1R1(Pti-Xti)+C2R2(Gti-Xti)(9)xt+1i=xti+vt+1i(10)式中,棕 是惯性权重;t 是迭代次数;C1和 C2是加速度常量;R1和 R2是在0,1范围内两个独立的随机数.Vmax和 Vmin分别是速度的最大、最小值,粒子的速度在Vmin,Vmax 的范围内,在粒子的速度更新后,有:if vid Vmaxthen vid=Vmax(12)如
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 粒子 优化 最小 支持 向量 交通事故 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。