交通信息与安全
交通信息與安全
교통신식여안전
JOURNAL OF TRANSPORT INFORMATION AND SAFETY
2015年
1期
71-78
,共8页
高宁波%胡启洲%张兵%郑丽媛
高寧波%鬍啟洲%張兵%鄭麗媛
고저파%호계주%장병%정려원
交通安全%事故预测%数据分类%高速铁路%神经网络%灰色模型
交通安全%事故預測%數據分類%高速鐵路%神經網絡%灰色模型
교통안전%사고예측%수거분류%고속철로%신경망락%회색모형
Transportation safety%Accident prediction%Data classification%High-speed railway%Neural Network%Grey Model
高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92％,13.68％,345.25％,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.
高速鐵路運營事故預測方法是度量鐵路安全管理水平的重要指標.為提高高速鐵路的安全運營水平,引入工業數據分類方法,分析反嚮傳播(BP)神經網絡和灰色模型在高速鐵路安全運營事故預測過程中的適應性.首先,運用事故次數、事故聯動繫數、月均事故率3箇參數對高速鐵路安全運營水平進行度量;然後,根據工業數據分類方法判彆高速鐵路運營事故數據屬于塊狀型,據此建立反嚮傳播(BP)神經網絡運營事故預測模型;針對運營事故數據具有波動大的特點,利用均值聚類方法建立K-GM(1,3)預測模型.以近年來高速鐵路運營事故數據為樣本對模型進行訓練和分析,結果錶明:BP神經網絡、K-GM(1,3)、GM(1,3)預測模型的預測誤差分彆為8.92％,13.68％,345.25％,BP神經網絡在高速鐵路安全運營事故預測過程中的適應性要優于灰度模型.
고속철로운영사고예측방법시도량철로안전관리수평적중요지표.위제고고속철로적안전운영수평,인입공업수거분류방법,분석반향전파(BP)신경망락화회색모형재고속철로안전운영사고예측과정중적괄응성.수선,운용사고차수、사고련동계수、월균사고솔3개삼수대고속철로안전운영수평진행도량;연후,근거공업수거분류방법판별고속철로운영사고수거속우괴상형,거차건립반향전파(BP)신경망락운영사고예측모형;침대운영사고수거구유파동대적특점,이용균치취류방법건립K-GM(1,3)예측모형.이근년래고속철로운영사고수거위양본대모형진행훈련화분석,결과표명:BP신경망락、K-GM(1,3)、GM(1,3)예측모형적예측오차분별위8.92％,13.68％,345.25％,BP신경망락재고속철로안전운영사고예측과정중적괄응성요우우회도모형.
