本文選題：交通工程 + 事故嚴重程度　； 參考：《吉林大學學報(工學版)》2014年05期

【摘要】：基于某中小城市4881起交通事故現(xiàn)場數(shù)據(jù),構建了基于"道路交通事故信息系統(tǒng)"事故數(shù)據(jù)的特征變量集;以一般事故、嚴重事故作為二分類標簽,建立事故嚴重程度支持向量機(SVM)分類識別模型,并分別通過網(wǎng)格搜索法、遺傳算法進行模型核參數(shù)尋優(yōu);最后,通過單因素局部靈敏度分析方法,研究各個特征變量對模型測試集分類精度的影響,進一步確定事故嚴重程度的核心影響因素。結果表明:SVM模型在訓練集和測試集上的分類精度均在80%左右,表現(xiàn)出良好的分類識別效果和泛化能力;事故屬性、車輛屬性中有8個特征變量,顯著影響SVM模型的分類精度。
[Abstract]:Based on the field data of 4881 traffic accidents in a small and medium-sized city, the characteristic variable set of accident data based on "road traffic accident information system" is constructed. The classification and recognition model of the accident severity support vector machine (SVM) is established, and the kernel parameters of the model are optimized by the grid search method and the genetic algorithm. Finally, the single factor local sensitivity analysis method is used. The influence of each characteristic variable on the classification accuracy of the model test set is studied, and the core factors affecting the severity of the accident are further determined. The results show that the classification accuracy of the VSVM model is about 80% on both the training set and the test set, and the classification accuracy of the SVM model is significantly affected by the fact that there are 8 characteristic variables in the accident attribute and vehicle attribute.
【作者單位】： 北京交通大學城市交通復雜系統(tǒng)理論與技術教育部重點實驗室;中國鐵道科學研究院運輸及經(jīng)濟研究所;
【基金】：“973”國家重點基礎研究發(fā)展計劃項目(2012CB725403) 國家自然科學基金國際合作重大項目(71210001)
【分類號】：U491.3

【相似文獻】

相關期刊論文 前10條

1 朱金好,羅曉萍;基于決策樹型SVM的交通標志圖像識別[J];長沙理工大學學報;2004年02期

2 胡丹;肖建;車暢;;提升小波支持向量機在交通流量預測中的應用[J];計算機應用研究;2007年08期

3 劉芹;張文峰;葉祥;吳卓葵;;基于支持向量機的高速公路入口匝道控制[J];自動化技術與應用;2007年12期

4 鄒華勝;楊峰;李剛;;基于支持向量機的路基檢測研究[J];礦業(yè)研究與開發(fā);2008年02期

5 唐蘭蘭;;支持向量機對交通流量的預測模型[J];湖南交通科技;2008年04期

6 王穎;邵春福;;基于支持向量機的公路貨運量預測方法研究[J];物流技術;2010年Z1期

7 牛文林;李天斌;熊國斌;張廣洋;;基于支持向量機的圍巖定性智能分級研究[J];工程地質學報;2011年01期

8 宋凱;臧晶;孫國強;;支持向量機在瀝青改性最佳狀態(tài)識別系統(tǒng)中的應用[J];遼寧建材;2007年01期

9 王琪;;基于BP神經(jīng)網(wǎng)絡與支持向量機的高速公路交通模式識別[J];科技信息(科學教研);2007年34期

10 高強;王洪禮;李勝朋;;基于支持向量機的信息融合在筑路質量中的預測[J];天津大學學報;2008年01期

相關會議論文 前10條

1 賴永標;喬春生;;基于SVM隧道與溶洞安全距離預測模型[A];第六屆全國地面巖石工程學術會議暨第二屆巖土力學與工程前沿論壇論文集[C];2007年

2 賴永標;喬春生;;基于支持向量機的交通噪聲智能預測模型[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

3 田夫;李勇;孫占全;;短時交通流預測方法研究[A];2007第三屆中國智能交通年會論文集[C];2007年

4 關佩;鄒月嫻;陳維榮;時廣軼;楊華;王一言;;交通事件自動檢測算法研究[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

5 張昕;關志超;胡斌;趙一斌;楊東援;;實時動態(tài)交通信息服務的數(shù)據(jù)融合技術研究[A];2008第四屆中國智能交通年會論文集[C];2008年

6 梅松華;趙海斌;;大型隧道錨施工優(yōu)化及其穩(wěn)定性分析[A];中國水力發(fā)電工程學會第四屆地質及勘探專業(yè)委員會第二次學術交流會論文集[C];2010年

7 邱道宏;李術才;張樂文;薛翊國;蘇茂鑫;;基于TSP203系統(tǒng)和GA-SVM的圍巖超前分類預測[A];第十一次全國巖石力學與工程學術大會論文集[C];2010年

8 宗周紅;曹競;王煒峰;;結合小波包能量和支持向量機的結構損傷識別[A];第十九屆全國橋梁學術會議論文集（下冊）[C];2010年

9 姚智勝;邵春福;;基于v-支持向量分類機的交通事件檢測方法研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（上冊）[C];2005年

10 蔡志理;姜桂艷;丁秋實;;基于SVM和數(shù)據(jù)融合技術的高速公路AID算法設計[A];第二十七屆中國控制會議論文集[C];2008年

相關博士學位論文 前10條

1 劉妍;高速公路建設期安全風險智能管理研究[D];大連理工大學;2011年

2 王運瓊;車輛識別系統(tǒng)中幾個關鍵技術的研究[D];四川大學;2004年

3 謝磊;智能交通系統(tǒng)中的視頻處理技術研究[D];華中科技大學;2006年

4 吳群;基于心電信號的駕駛疲勞檢測方法研究[D];浙江大學;2008年

5 張文斌;公路車輛動態(tài)荷載測量及車型分類技術的研究[D];哈爾濱工業(yè)大學;2009年

6 覃頻頻;基于信息融合的高速公路事件檢測建模與仿真[D];西南交通大學;2007年

7 盧宇;交通流混沌實時判定方法的研究[D];天津大學;2007年

8 陳斌;高速公路意外事件影響下的車輛行為模型與事件檢測研究[D];西南交通大學;2005年

9 肖云華;雙峰隧道圍巖穩(wěn)定性非線性系統(tǒng)研究[D];吉林大學;2009年

10 李巧茹;交通網(wǎng)絡動態(tài)配流及其相關問題研究[D];天津大學;2006年

相關碩士學位論文 前10條

1 李錚;基于支持向量機的道路交通標志識別的研究[D];燕山大學;2011年

2 王琪;基于神經(jīng)網(wǎng)絡和支持向量機的高速公路交通事件檢測[D];西南交通大學;2006年

3 崔志賓;基于支持向量機的交通事件檢測建模與分析[D];北京交通大學;2008年

4 錢芳;基于SVM的中國航運市場運價預警研究[D];大連海事大學;2008年

5 丁澍愷;小波分析[D];上海海事大學;2007年

6 馬春杰;港口企業(yè)生產(chǎn)安全評價體系及預警研究[D];河北農(nóng)業(yè)大學;2006年

7 劉亞輝;高速公路企業(yè)運營效益評價研究[D];長沙理工大學;2007年

8 吳竹青;基于SVM的高速公路工程項目投資風險評價研究[D];長沙理工大學;2009年

9 周林英;基于支持向量機的高速公路事件檢測算法[D];長安大學;2009年

10 何德偉;支持向量機在交通標志識別中的應用[D];上海海事大學;2007年

，

本文編號：1778866