一种基于PCA和BP神经网络的交通事故预测方法与流程

本发明涉及图像处理技术领域，涉及一种图像分类方法，尤其涉及一种基于pca（principlecomponentanalysis，主成分分析法）和bp（backgroundpropagation，方向传播）神经网络的交通事故预测方法。

背景技术：

我国的交通道路建设正处于蓬勃发展期，但是交通道路的快速发展，在为人们带来现代交通的高效快捷的同时，也导致了许多交通事故的发生，随着车联网理论知识的完善，车与车之间，车与基站之间，车与行人之间将具备信息传输的能力，这就使得车联网内的所有通信单元能够共享它们的运动信息。而随着大数据时代下机器学习技术的发展，只要有了大量已知的数据集，并通过机器学习方法进行学习，计算机就能对未知的数据进行预测和分析。

但是交通事故的发生受天气情况，路面平坦度，车辆速度，车辆种类，光线情况，道路类型，驾驶员年龄，驾驶员性别，驾驶时长,出行时间的影响度较大,因此选取数据集中包含的天气情况，路面平坦度，车辆速度，车辆种类，光线情况，道路类型，出行时间等特征，考虑到选取的特征彼此之间存在相关性，在模型训练时会造成训练精度下降和计算复杂度增加等问题，从而导致预测的精度偏低，无法准确预测到交通事故是否会发生。

技术实现要素：

本发明的主要目的在于解决现有技术中存在的交通事故预测精准度不够高的问题，提供一种基于pca和bp神经网络的交通事故预测方法，具体技术方案如下：

一种基于pca和bp神经网络的交通事故预测方法，所述方法包括如下步骤：

构建基于pca和bp神经网络的交通事故预测模型，导入车联网中的交通事故数据集至模型中，由模型先筛选出交通事故数据集的特征向量；

然后使用所述pca对所述特征向量进行去相关处理，得到特征向量中预设数量的线性无关的特征；

之后将所述线性无关的特征输入所述bp神经网络中进行训练，得到新的用于判断交通事故是否会发生的不相关的特征；

输入实时交通数据，所述预测模型根据新的不相关的特征预判是否会有交通事故发生。

本发明的进一步改进在于，所述pca对所述特征向量进行去相关处理的具体步骤为：

首先，假设所述数据集有p个特征，所述数据集中每条数据对应的p维特征代表的随机向量为xi＝(xi1,xi2,...,xip)^t，i＝1,2,…,n，n＞p，由所述向量xi构造样本矩阵，并通过式对样本矩阵中的单元进行标准化变换；其中，从而得到标准化阵z；通过式对标准化阵z求相关系数矩阵；再解样本相关矩阵r的特征方程|r-λip|＝0，得p个特征根，确定主成分：对每个λj,j＝1,2,...,m,解方程rb＝λjb得单位特征向量再将标准化后的指标变量转换为主成分

本发明的进一步改进在于，所述pca对所述特征向量进行去相关处理后得到七个线性无关的特征。

本发明的进一步改进在于，所述bp神经网络设置七个输入单元，两个隐藏层。

本发明实施例中，基于pca和bp神经网络搭建一个交通事故预测模型，通过模型来预测交通事故发生的概率，首先，通过将样本交通事故导入到模型中，由模型初步筛选各类交通事故发生的特征变量，然后使用pca对取得的特征变量进行去相关处理，得到若干数量的线性无关的特征，最后将得到的若干线性无关的特征输入到bp神经网络中进行训练学习，得到新的不相关的特征，用新的不相关的特征来预测判断交通事故发生的概率；与现有技术相比，本发明提供的基于pca和bp神经网络的交通事故预测方法具有更高的预测准确率，预测结果更可靠，更能够有效避免交通事故的发生。

附图说明

图1为本发明所述交通事故预测方法的流程示意图；

图2为本发明所述交通事故预测方法中bp神经网络结构图示意。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例。本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1，在本发明实施例中，提供了一种基于pca和bp神经网络的交通事故预测方法，包括步骤：

s1：构建基于pca和bp神经网络的交通事故预测模型，导入车联网中的交通事故数据集至模型中，由模型先筛选出交通事故数据集的特征向量；s2：然后使用所述pca对所述特征向量进行去相关处理，得到特征向量中预设数量的线性无关的特征；s3：之后将所述线性无关的特征输入所述bp神经网络中进行训练，得到新的用于判断交通事故是否会发生的不相关的特征；s4：输入实时交通数据，所述预测模型根据新的不相关的特征预判是否会有交通事故发生；其中，pca对所述特征向量进行去相关处理后得到七个线性无关的特征；在本实施例中，bp神经网络设置七个输入单元，两个隐藏层，具体可参阅图2。

在本发明实施例中，由pca对从交通事故数据集中提取的特征向量进行去相关处理的具体步骤为：

首先，假设所述数据集有p个特征，所述数据集中每条数据对应的p维特征代表的随机向量为xi＝(xi1,xi2,...,xip)^t，i＝1,2,…,n，n＞p，由所述向量xi构造样本矩阵，并通过式对样本矩阵中的单元进行标准化变换；其中，从而得到标准化阵z；通过式对标准化阵z求相关系数矩阵；再解样本相关矩阵r的特征方程|r-λip|＝0，得p个特征根，确定主成分：对每个λj,j＝1,2,...,m,解方程rb＝λjb得单位特征向量再将标准化后的指标变量转换为主成分具体的，u1称为第一主成分,u2称为第二主成分,…,up称为第p主成分，最后对m个主成分进行综合评价，即对m个主成分进行加权求和，可得最终评价值，权数为每个主成分的方差贡献率，则pca通过将p个指标重新线性组合为m个指标(m<p)实现了对特征的降维，接下来对得到的m个主成分进行白化处理，在上一步pca中，m个主成分之间已经不具有相关性，因此只要将数据的方差归一化即可，设各主成分组成的矩阵为u，经过白化后的主成分的矩阵为uwhite，由式表示；由于λi可能是一个非常接近零的值，这样在方差归一化过程中，ui除以可能会得到一个极大的值，这可能会使数据上溢。因而需要在方差归一化的过程中进行正则化处理，即将λi加上一个很小的常数ε，一般取ε＝10^-5从而得到白化后的主成分的矩阵的表达式：

此外，由于只选用了数据集7个特征，其特征维度并不大，所以并不需要降维，只需要实现去相关的功能，在pca后，这7个特征的线性组合构成新的7个线性无关的特征，且都具有归一化的方差。

将特征变量经过pca后得到的7个线性无关的特征输入bp神经网络进行训练,bp网络是一种改进的人工神经网络(ann)，它由一组相互连接的结点和有向链构成，是一类模式匹配方法，其通过大量的迭代实现对函数的无限逼近，一般由若干输入层和输出层构成；其中一种简单的神经网络结构该神经网络的输入层有3个神经元，输出层有一个神经元，设输入层的输入从上到下依次为x1，x2，x3，而ω1，ω2，ω3分别为每个连接线权重，则输出的层输出为f(ω1x1+ω2x2+ω3x3)，这里的f为sigmoid函数，sigmoid函数的表达式为：具体的，该函数值域为[0，1]，对于分类预测问题，神经网络通过sigmoid函数将输入映射为0和1之间的数，将数据分为两类，在交通事故预测问题中，若最后的输出接近0，则表示不会发生交通事故，若最后的输出接近1，则会发生交通事故；若需要bp神经网络解决的问题很复杂，一般在输入层和输出层中加入若干数量的隐藏层，组合形成较复杂的bp神经网络，一般来说，越复杂的任务所需要的隐藏层层数和隐藏层神经元个数越多，当隐藏层的层数足够多时，就将这种多隐藏层的神经网络结构称为深度神经网络，具体实施例可结合图2理解，图示为四层结构的神经网络，具有两个隐藏层；神经网络的经验公式为：其中，n为输入层神经元个数，m为输出层神经元个数，p为隐层神经元个数，a为修正常数，一般取1到100之间的整数。

本发明提供的交通事故预测方法采用具有两个隐藏层的bp神经网络，其输入层具有7个输入单元，且输入层输入的是经主成分分析后的7个线性无关的特征的值，bp神经网络与传统神经网络的区别主要在于权值更新的方法不同，在bp神经网络中，误差信号反向传递子过程比较复杂，它是基于widrow-hoff学习规则的；假设节点和节点之间的权值为ωij，节点j的值为bj，设隐藏层节点的输出值为xj，输出层节点的输出值为dj，每条数据对应的正确输出值为yj，则有xj＝f(sj)，其中则整个bp神经网络的误差用函数表示。

在实施例中，bp神经网络的主要目的是反复修正权值和阀值，使得误差函数值达到最小；widrow-hoff学习规则是通过沿着相对误差平方和的最速下降方向，连续调整网络的权值和阀值，根据梯度下降法，权值矢量的修正正比于当前位置上e(ω,b)的梯度，对于第j个输出节点有：则针对每个节点的权重ωij，有：

其中有δij＝(dj-yj)·f(sj)[1-f(sj)]，则对于bj，同理可得：通过上述计算式对隐含层和输出层之间的权值和输出层的阈值进行调整；此外，还需对对输入层和隐含层进行调整，首先假设ωki是输入层第k个节点和隐含层第i个节点之间的权值，那么有：

其中，则根据上述公式，并按照梯度下降法，则将隐含层和输出层之间的阈值和权重作通过式和进行调整，则将输入层和隐含层之间的权重和阈值调整通过式以及式完成，最后按照式式式和式对各层之间的权重和阈值进行调整，且每调整一次，均按上述公式再次对权重和阈值进行调整，当调整次数足够大时，bp神经网络的预测准确度就会收敛于一个常数，使其能以较高的准确度对车辆发生交通事故的可能性进行预测，对于训练好的bp神经网络，若输出层输出更接近于1，则会发生交通事故，若输出层输出更接近于0，则不会发生交通事故。

本发明实施例中，基于pca和bp神经网络搭建一个交通事故预测模型，通过模型来预测交通事故发生的概率，首先，通过将样本交通事故导入到搭建的预测模型中，由模型初步筛选各类交通事故发生的特征变量，然后使用pca对取得的特征变量进行去相关处理，得到若干数量的线性无关的特征，最后将得到的若干线性无关的特征输入到bp神经网络中进行训练学习，得到新的不相关的特征，用新的不相关的特征来预测判断交通事故发生的概率；与现有技术相比，本发明提供的基于pca和bp神经网络的交通事故预测方法具有更高的预测准确率，预测结果更可靠，更能够有效避免交通事故的发生。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。