基于C5.0决策树的船舶交通事故致因分析模型及应用

为减少船舶交通事故的发生,对船舶交通事故的致因展开研究。首先,以事故类型作为输出变量,以船舶交通事故数据为样本,构建基于C5.0算法的船舶交通事故致因路径分析模型;然后,确定事故致因路径分析有效性评价指标;再次,运用“2-4”模型(24Model),对所识别出的不同类型事故致因路径因果关系进一步分析,提出通过切断事故潜在致因路径的船舶交通事故预控措施;最后,将894起船舶交通事故数据样本随机分为80%的训练集和20%的测试集,应用所提出的模型进行分析。结果表明:所提出的模型可以生成不同类型事故的分类规则集,模型分类正确率达到90%以上,且模型具有强的泛化能力。结合分类规则集构建的船舶交通事故致因链为船舶交通事故的防范提供定量化的理论依据。

复合潮汐信息的感潮河段船舶交通流滚动预测模型

为准确预测感潮河段船舶交通流,提出一种复合潮汐信息的感潮河段船舶交通流滚动预测模型。选择多变量非线性核函数灰色预测模型KGM(1,N)作为基础模型,并将潮汐信息作为右端项核函数输入信息;针对KGM(1,N)模型存在的不足,采用插值系数法进行背景值优化;运用粒子群优化(particle swarm optimization,PSO)算法确定核函数所需的高斯核参数、修正参数和最优背景值系数;在输入数据有限的情况下,采用实时滚动预测方法,保证模型充分利用新信息。经上海港南槽航道九段警戒区上游的船舶交通流实例验证,所提出的模型具有较高的预测精度。

时空融合的DGM(1,N)模型在城市路网短时交通流预测中的应用

文章提出了一种新型的融合时空信息的分数阶滚动DGM(1,N)模型,新的预测模型充分考虑了城市路网中待测路段的交通流受多条相邻道路的历史信息的影响,采用分数阶累加生成算子对数据进行预处理极大程度上弱化原始序列的随机性和波动性,并采用粒子群算法(PSO)选取最优的累加阶数γ。此外,在有限数据的情况下对模型进行一个实时滚动预测保证模型能够充分利用新信息。来自OpenITS平台的中国长沙城市路网算例的计算结果表明,文章所提出的模型具有较高的预测精度,明显优于已有的一些预测模型。

基于分数阶季节性灰色模型的交通流预测

基于城市道路短时交通流数据的季节性特征和灰色建模的新信息优先原则,提出了一类新的分数阶季节性GM(1,1)预测模型。在GM(1,1)模型的基础上,首先,利用分数阶截断累加生成算子弱化了数据的季节波动性和随机性特征;然后采用粒子群优化算法寻求最佳阶数;最后,将新模型应用于江苏省南通市区的一主干道路进行模拟仿真。数值计算结果表明:新模型的平均绝对值百分比拟合误差为8.1260%、预测误差为7.6216%,均优于季节性滚动GM(1,1)模型、分数阶GM(1,1)模型和季节性离散GM(1,1)模型。