原文传递
数据驱动的交通事故严重程度预测
| 论文题名： | 数据驱动的交通事故严重程度预测 |
| 关键词： | 交通事故严重程度预测;深度学习;聚类算法;循环神经网络 |
| 摘要： | 随着城市化进程的加快以及居民生活水平的不断提高，机动车保有量飞速上涨，人民群众的生活也愈发便捷。但随之而来的交通拥堵、交通事故等社会问题也日益突出，尤其是交通事故所造成的人员伤亡和财产损失已经成为影响居民安居乐业以及社会和平稳定的重要因素之一。随着智能交通系统和车联网的逐步应用，交通事故预测不仅为自动驾驶提供交通流的变化，而且还可以有效降低交通出行风险，是未来车联网和自动驾驶出行的重要基础。 交通事故预测主要包括事故频率、事故严重程度和事故风险等方面，其中交通事故严重程度预测可以指导行人安全高效出行，同时为城市管理者提供调配管理和优化交通组织的方向和经验。 随着大数据时代的到来和深度学习技术的完善与进展,大数据驱动教学和机器学习的广泛应用进一步深入。本文采用数据驱动的机器学习方法，借助对数据集的聚类处理，构建深度学习模型，对城市区域内的交通事故严重程度进行预测。论文的主要工作和结论如下： 1.实现聚类算法以及处理数据集。首先，分析了三种密度聚类算法DBSCAN、HDBSCAN和OPTICS的基本原理，然后根据ArcGisPro中的Python环境编译实现密度聚类算法，最后对比分析三种聚类算法的实际应用结果，选取最为理想的OPTICS聚类结果作为本文的研究对象.该方法可以有效提高实验精度，提高实验效率。 2.提出基于Keras的深度学习框架。借助Keras高效、可扩展性强的优越性，选取深度学习模型损失函数、激活函数、优化器等参数，实现模型的训练以及训练结果可视化。 3.构建RNN模型。采用美国内华达州2015年至2017年交通事故数据作为本文研究数据集构建RNN模型，该模型在对数据集进行数据预处理的基础上能对交通事故严重程度的预测具有较高的准确率，且拥有较高的训练速度，同时设置线形回归模型、BP神经网络以及支持向量机模型作为对比算法，验证RNN模型的先进性。结果显示构建的RNN模型相较传统算法模型具有更高的准确率。 |
| 作者： | 钱程 |
| 专业： | 交通运输 |
| 导师： | 徐学才 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华中科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
