為探討道路交通安全風(fēng)險(xiǎn)與交通相關(guān)因素之間的相關(guān)性,實(shí)現(xiàn)道路交通安全風(fēng)險(xiǎn)的準(zhǔn)確預(yù)測。本文以浙江省金華市金義東公路作為研究對象,首先,收集道路靜態(tài)數(shù)據(jù)(平曲線半徑、平曲線偏角、平曲線長度、縱坡坡度、豎曲線半徑、豎曲線長度、路面摩擦系數(shù)、交叉口數(shù)量),交通動態(tài)數(shù)據(jù)(年平均日交通量、大小車型比例、平均車速、大小車型速度差),其它交通數(shù)據(jù)(停車視距)和事故數(shù)據(jù)進(jìn)行交通數(shù)據(jù)的融合工作;其次,在融合多源交通數(shù)據(jù)的基礎(chǔ)上,分別采用梯度提升樹(GBDT)、隨機(jī)森林(RF)以及線性回歸(LR)等三種技術(shù)建立了缺失數(shù)據(jù)預(yù)測模型,修復(fù)數(shù)據(jù)集中的缺失數(shù)據(jù);再次,利用基于Hash樹的Apriori算法挖掘道路交通安全風(fēng)險(xiǎn)與各交通因素之間的相關(guān)關(guān)系;然后,用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)和長短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM)分別建立了道路交通安全風(fēng)險(xiǎn)預(yù)測模型,對道路的交通安全風(fēng)險(xiǎn)進(jìn)行預(yù)測;最后,用關(guān)聯(lián)規(guī)則挖掘結(jié)果和道路交通安全風(fēng)險(xiǎn)預(yù)測模型分析關(guān)鍵影響因素與道路交通安全之間的關(guān)系,制定相應(yīng)的交通安全改善對策。研究成果表明,GBDT模型預(yù)測效果好,均方誤差小且魯棒性相對較高,完成了缺失交通數(shù)據(jù)的修復(fù)工作;Apriori算法在關(guān)聯(lián)...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖.1.1研究技術(shù)路線圖

緒論11圖.1.1研究技術(shù)路線圖

圖2.1金義東公路地理位置圖

交通動態(tài)數(shù)據(jù)，其它交通相關(guān)數(shù)據(jù)和事故數(shù)據(jù)，其地理位置如圖2.1所示。圖2.1金義東公路地理位置圖2.1.1道路靜態(tài)數(shù)據(jù)道路靜態(tài)數(shù)據(jù)分為三部分：道路幾何線形數(shù)據(jù)、路面摩擦系數(shù)和交叉口數(shù)量。（1）道路幾何線形數(shù)據(jù)道路幾何線形數(shù)據(jù)由公路設(shè)計(jì)文件中提取，經(jīng)整理后可得到的數(shù)據(jù)主要....

圖2.3隨機(jī)森林運(yùn)算過程圖

圖2.3隨機(jī)森林運(yùn)算過程圖（3）線性回歸相對于GBDT和隨機(jī)森林，線性回歸是一種較為常見且簡單的預(yù)測手段，過程中，線性回歸利用線性模型建立自變量和因變量之間的關(guān)系，屬于單純的算，研究中只將其作為GBDT算法和隨機(jī)森林算法的一個(gè)對比算法。2.3.2交通動態(tài)數(shù)據(jù)修復(fù)模型....

圖2.4均方誤差隨分類回歸樹深度的變化趨勢

預(yù)測值的均方誤差趨于穩(wěn)定，因此將GBDT模型中分類回歸樹的深度設(shè)定為6，其變化趨勢如圖2.4所示；同理，在分類回歸樹的深度為6的情況下，對分類回歸樹數(shù)量進(jìn)行試算，

本文編號：3933837