李婷

【摘要】针对道路交通事故的预测问题，文章引入径向基神经网络（RBF）建立交通事故预测模型。计算结果表明，RBF神经网络预测模型优于传统的BP神经网络模型，从而可以更有效地对道路交通事故进行预测。

【关键词】道路交通事故 RBF神经网络 BP神经网络 预测模型

道路交通事故预测对于探究道路交通事故的发生规律，分析现有条件下交通事故未来发展趋势以及道路交通安全控制等具有重要意义。因此，准确的交通事故预测是做好交通安全评价的重要前提。影响交通事故发生的因素众多，并且各个因素之间相互影响，与事故的发生数呈现出复杂的非线性关系。近几年来，神经网络被广泛地运用到交通事故预测中，它对解决非线性问题具有很好的效果。

人工神经网络在预测领域有比较成熟的应用，而相比较传统的BP神经网络，RBF神经网络具有唯一最佳逼近的特性且無局部极小值的问题，可以做更精准高效的预测分析。本文构建了RBF神经网络的交通事故预测模型，并且与传统的BP神经网络模型的预测结果进行了对比。实验结果表明RBF神经网络模型预测精度更高，误差更小。

一、基于RBF的交通事故预测建模

RBF神经网络是一种前馈式神经网络，它由三层，即输入层、隐含层和输出层构成。本文的预测变量选择交通事故死亡人数。其他三个指标分别选择人均GDP、机动车保有量，公路里程。详细见表1所示。

其中，1990-1998年的样本为训练数据，1999-2001年的样本为检测样本，分别用BP神经网络和RBF神经网络进行预测分析。表2为预测值误差指标的比较结果，可以看出在交通事故预测结果中，RBF的预测精度要优于BP神经模型。

二、结束语

文章利用人工神经网络理论，建立了RBF神经网络预测模型，与BP神经网络相比，该模型预测精度高，能有效的反映交通事故各因素之间的非线性关系。

Abstract：Aimed against the forecast problem of traffic accident，this paper presents a new method by introducing RBF Neural Network model. The experimental results show that the RBF Neural Network has greater accuracy than traditional BP Neural Network，and is more effective to forecast traffic accident

Key words：traffic accident； RBF Neural Network model； BP Neural Network；forecasting model

参考文献：

[1]李湘勇，张南，蒋葛夫.道路交通事故灰色马尔可夫预测模型[J].公路交通科技，2003，（4）.

[2]文培娜，张志勇，罗琳.基于BP神经网络的北京物流需求预测分析[J].物流技术，2009，（6）.

[3]Ramachandran V，Buchanan C.Kali Linux Wireless Penetration Testing：Master Wireless Testing Techniques to Survey and Attack Wireless Networks with Kali Linux[J].Packt Publishing 2015.

[4]张明舵，张卷美.渗透测试之信息搜集的研究与漏洞防范[J].信息安全研究，2016，（03）.

[5]雷惊鹏，沙有闯.利用Kali Linux开展渗透测试[J].长春大学学报，2015，（06）.