杨 涛 李书卉
（1、河北水利电力学院，河北 沧州061001 2、大元建业集团股份有限公司，河北 沧州061001）
1 概述
随着目前国内交通行业的发展，城市道路系统日益完善，为居民生活出行提供了很大的便利条件[1]。但随着居民生活质量的提高，在一定程度上增加了交通事故的出现频率，提高了道路风险[2]。掌握道路交通事故的发展变化趋势，分析不同类型车辆事故发生率走势，成为了道路交通管理部门面临的重要课题。
虽然国内对道路交通风险预测已有了部分研究，但精度普遍较低。为解决这一问题，本文基于极限学习机（ELM）模型、广义回归神经网络（GRNN）模型和小波神经网络（WNN）模型3 种机器学习模型对道路交通风险数据进行分析，通过分析不同隐含层个数对机器学习模型模拟过程的影响，找出机器学习模型的最优输入参数，并针对小汽车、客车和货车等不同车型进行预测。
2 模型构建及评价指标确定
2.1 极限学习机模型
极限学习机模型（ELM）[3]可以很好地克服传统神经网络收敛速度慢的缺点，在回归检验、模型预测领域已得到了极大的应用。
2.2 广义回归神经网络模型
广义回归神经网络模型（GRNN）[4]是以样本数据为后验条件，执行Parzen 非参数估计，依据概率最大原则计算网络输出的径向基网络。
2.3 小波神经网络模型
小波神经网络模型（WNN）[5]是一种以BP 神经网络拓扑结构为基础，将小波基函数作为隐含层节点传递函数，（转下页）信号向前传播的神经网络。
2.4 评价指标体系构建
利用均方根误差（RMSE）、模型效率系数（Ens）和决定系数（R2）分析各模型模拟精度。
3 结果与分析
3.1 模型隐含层个数确定
图1 ELM 模型隐含层个数确定（图中字母分别代表：a 隐含层个数为3 个，b 隐含层个数为6 个，c 隐含层个数为10 个，d 隐含层个数为12 个）
3.2 不同模型模拟事故风险结果对比
下表为不同模型对道路2014～2018 年道路风险检测数据的预测。ELM模型的精度最高，其RMSE 的值最高仅为0.207，而Ens和R2的值均在0.88 以上，与实测值的相关性达到了极显着水平（P＜0.01）。
不同模型模拟精度对比
3.3 不同车型分担率预测对比
图2 为不同模型对不同车型事故发生率的预测。图4 显示，ELM模型对不同车型事故分担率模拟结果与实测值最为接近，WNN 模型和GRNN 模型的模拟结果虽与实测值的变化趋势基本一致，但均在一定程度上高估了不同车型的事故发生率，ELM模型为精度最高的模型。
图2 不同模型对不同事故车型分担率的预测结果
4 结论
本文通过分析不同车型事故发生分担率，掌握了不同车型在近几年发生事故概率的变化情况，同时基于极限学习机（ELM）模型、广义回归神经网络（GRNN）模型和小波神经网络（WNN）模型等3 种机器学习模型，建立了道路风险检测的预测模型，可为相关部门预防措施制定提供依据。
