基于移动优化灰色马尔科夫的道路交通事故预测

针对事故预测精度受预测数据时效性影响问题,引入移动优化策略,建立移动优化灰色马尔科夫动态预测模型.用灰色预测来揭示道路交通事故发展变化趋势,通过马尔科夫预测发掘状态间的转移规律,从而提高随机性时间序列的预测精度.案例分析表明,提出的方法在一定时段内具有较好的预测精度和实用性,可为道路交通事故预测分析及交通安全预警提供参考.

基于神经网络的交通事故仿真预测方法

通过对道路交通事故影响因素的分析，建立了关于道路交通事故影响因素的层次结构模型，并根据此模型建立基于RBF神经网络的道路交通事故计算机仿真预测方法。结合我国1978-2007年道路交通事故次数对RBF神经网络进行训练、检验和预测，同时与BP神经网络预测方法进行比较。结果表明RBF神经网络的平均误差和收敛次数分别为1.19％和701次，而BP神经网络则为9.8％和2401次，可见RBF神经网络具有更快的运算速度和更高的精度。

灰色组合预测模型应用研究

道路交通事故预测是道路交通安全研究的一项重要内容,它的目的是为了掌握交通事故的未来发展状况,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,达到减少交通事故的目的.可构建适应道路交通系统多属性特点的道路交通事故预测模型:灰色预测及其改进模型、神经网络预测模型、灰色神经网络组合预测模型.实证结果表明,灰色组合预测模型能够充分发挥各单一模型的优点,同时弱化了单一模型的缺点,比单一模型的预测结果更理想,精度更高.

基于灰关联分析的神经网络组合预测模型

针对提供的道路交通事故相关影响因子数据,构建了基于关联分析的灰色神经网络组合道路交通事故预测模型。结合实例,用所提出的模型给与了预测。结果表明,基于灰色关联分析神经网络预测模型充分发挥关联选优的优越性,比全输入神经网络预测模型有更好的预测精度,从而说明运用灰色关联分析方法对输入因子选择是有效可行的。基于灰色关联分析的神经网络组合交通事故预测模型充分发挥各单一模型的优点同时弱化了单一模型的缺点,比单一模型的预测结果更理想、精度更高。