一种基于神经网络的摩托车头盔佩戴情况预测评价模型的制作方法

本发明属于交通安全技术领域，尤其涉及一种基于神经网络的摩托车头盔佩戴情况预测评价模型。

背景技术：

遗传算法(geneticalgorithm，ga)最早是由美国的johnholland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解(根据适应度函数，每次进化时选择适应度高的，淘汰适应度低的个体)(也就是物竞天择，适者生存理念)的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的选择、交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。

利用遗传算法优化bp神经网络的权值和阈值，可以使bp神经网络改善过拟合现象，提高整个模型预测的效率、准确率、可靠性，bp(backpropagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络。人工神经网络无需事先确定输入输出之间映射关系的数学方程(强非线性映射能力)，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。(实现预测功能)作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。bp神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

交通安全是指人们在道路上进行活动、玩耍中，按照交通法规的规定，安全地行车、走路、避免发生人身伤亡或财物损失，在交通这一块，人身安全性至关重要，每年死于交通安全的人数数量较多，特别是骑行摩托车和电动车这一类人，因此如何降低交通事故的发生率，是社会重视的一个重要问题。

随着我国经济蓬勃发展，如今，交通工具对人们的生活起到了巨大帮助，摩托车和电动自行车广受大众的喜爱，数量众多的摩托车和电动车也对交通管理带来巨大挑战，因车主自身防护措施不到位引起的人身安全事故数不胜数，近期，虽然全国各地积极落实一盔一戴政策，但面对众多驾驶员，仅凭交警的力量很难及时地做到应管尽管，因此本专利提出一种基于神经网络的摩托车头盔佩戴情况评价预测模型，以便交警部门能够及时按流量分配警力。

技术实现要素：

本发明的目的在于：为了解决摩托车和电动自行车车主防护措施不到位容易引起人身安全事故的问题，而提出的一种基于神经网络的摩托车头盔佩戴情况预测评价模型。

为了实现上述目的，本发明采用了如下技术方案：一种基于神经网络的摩托车头盔佩戴情况预测评价模型，包括：

s1、对训练样本数据进行预处理，随后确定输入输出、隐含层传递函数等参数，最后确定网络拓扑结构。

s2、采集初始bp神经网络权值和阈值，传递给ga对初始值编码生成初始种群，然后确定适应度函数计算适应度。

s3、选择适应度强的染色体进行复制，随后交叉和变异并生成新种群，如果新种群不满足需要，则重新选择适应度强的染色体进行复制并进行后续工作，如果满足需要则对新种群进行解码。

s4、然后获取ga优化过的最优权值和阈值，将信号向前传播，并计算信号中的误差，如果满足精度要求则建立ga-bp摩托车头盔佩戴情况预测模型，即为摩托车头盔佩戴情况ga-bp神经网络预测模型，如果不满足精度要求，则误差反向传播更新权值和阈值，并将新的权值和阈值做成信号传播进行误差计算。

s5、ga-bp摩托车头盔佩戴情况预测模型建立后输入相关事实参数。

s6、收集采集的原始数据，并对数据进行预处理。

s7、将数据处理后进行训练和测试数据，经过训练和验证后传递给摩托车头盔佩戴情况ga-bp神经网络预测模型。

s8、ga遗传算法对bp神经网络优化，优化的网络可以配合摩托车头盔佩戴情况ga-bp神经网络预测模型对数据进行处理。

s9、采集输入的信息并投入到摩托车头盔佩戴情况ga-bp神经网络预测模型进行使用，在两种数据的对比下预测结果。

作为上述技术方案的进一步描述：

所述采集到的输入信息为天气(晴天雨天等)、时间段(是否上下班通勤时间)、节假日、周围商业场所密集度、周围住宅密集度和城市道路等级。

作为上述技术方案的进一步描述：

所述天气数据的对比参数为[0,5)恶劣，[5,6)极不适合，[6,8)不适合，[8,9)适合，[9,10]极适合。

作为上述技术方案的进一步描述：

所述时间段为上下班时间段，对比参数为0(否)，10(是)。

作为上述技术方案的进一步描述：

所述节假日对比参数为0(否)，10(是)。

作为上述技术方案的进一步描述：

所述周围商业场所密集度由不密集到密集[0,10]打分。

作为上述技术方案的进一步描述：

所述城市道路等级由不重要支路到城市主干道[0,10]打分。

作为上述技术方案的进一步描述：

所述预测结果为不戴头盔人数，是否达到需要检查程度的参数为[0,5)无需检查，[5,6)可以检查，[6,8)需要检查，[8,9)特别需要检查，[9,10]优先检查。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明中，利用摩托车头盔佩戴情况ga-bp神经网络预测模型，配合数据的收集，能够预测出驾驶员头盔佩戴情况评分得出是否需要警力倾斜，能通过预测，便于交警部门分配警力去不佩戴头盔现象严重的地段检查督促驾驶员，提高道路交通安全，保障人民生命安全，应用领域新且具有现实意义价值。

附图说明

图1为本发明提出的一种基于神经网络的摩托车头盔佩戴情况预测评价模型的数据收集流程示意图；

图2为本发明提出的一种基于神经网络的摩托车头盔佩戴情况预测评价模型数据预测流程示意图；

图3为本发明提出的一种基于神经网络的摩托车头盔佩戴情况预测评价模型摩托车头盔佩戴情况ga-bp神经网络预测模型构建流程示意图；

图4为本发明提出的一种基于神经网络的摩托车头盔佩戴情况预测评价模型数据样例结构示意图。

具体实施方式

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。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它实施例，都属于本发明保护的范围。

请参阅图1-4，本发明提供一种技术方案：一种基于神经网络的摩托车头盔佩戴情况预测评价模型，包括：

s1、对训练样本数据进行预处理，随后确定输入输出、隐含层传递函数等参数，最后确定网络拓扑结构。

s2、采集初始bp神经网络权值和阈值，传递给ga对初始值编码生成初始种群，然后确定适应度函数计算适应度。

s3、选择适应度强的染色体进行复制，随后交叉和变异并生成新种群，如果新种群不满足需要，则重新选择适应度强的染色体进行复制并进行后续工作，如果满足需要则对新种群进行解码。

s4、然后获取ga优化过的最优权值和阈值，将信号向前传播，并计算信号中的误差，如果满足精度要求则建立ga-bp摩托车头盔佩戴情况预测模型，即为摩托车头盔佩戴情况ga-bp神经网络预测模型，如果不满足精度要求，则误差反向传播更新权值和阈值，并将新的权值和阈值做成信号传播进行误差计算。

s5、ga-bp摩托车头盔佩戴情况预测模型建立后输入相关事实参数。

s6、收集采集的原始数据，并对数据进行预处理。

s7、将数据处理后进行训练和测试数据，经过训练和验证后传递给摩托车头盔佩戴情况ga-bp神经网络预测模型。

s8、ga遗传算法对bp神经网络优化，优化的网络可以配合摩托车头盔佩戴情况ga-bp神经网络预测模型对数据进行处理。

s9、采集输入的信息并投入到摩托车头盔佩戴情况ga-bp神经网络预测模型进行使用，在两种数据的对比下预测结果。

本实施例中，采集到的输入信息为天气(晴天雨天等)、时间段(是否上下班通勤时间)、节假日、周围商业场所密集度、周围住宅密集度和城市道路等级，天气数据的对比参数为[0,5)恶劣，[5,6)极不适合，[6,8)不适合，[8,9)适合，[9,10]极适合，时间段为上下班时间段，对比参数为0(否)，10(是)，节假日对比参数为0(否)，10(是)，周围商业场所密集度由不密集到密集[0,10]打分，城市道路等级由不重要支路到城市主干道[0,10]打分，预测结果为不戴头盔人数，是否达到需要检查程度的参数为[0,5)无需检查，[5,6)可以检查，[6,8)需要检查，[8,9)特别需要检查，[9,10]优先检查。

工作原理：使用时，构建摩托车头盔佩戴情况ga-bp神经网络预测模型后，采集收到的原始数据，数据预处理后分别进行训练和测试数据，采集的输入信息即天气(晴天雨天等)、时间段(是否上下班通勤时间)、节假日、周围商业场所密集度和周围住宅密集度和城市道路等级等，两种数据均输送至摩托车头盔佩戴情况ga-bp神经网络预测模型中，ga遗传算法对bp神经网络优化，优化的网络可以配合摩托车头盔佩戴情况ga-bp神经网络预测模型对数据进行处理，最后预测处理结果，然后科学的评价指标给这些参数按[0,10]分进行专家打分，如果分数较低，交警部门分配警力去不佩戴头盔现象严重的地段检查督促驾驶员，提高道路交通安全，保障人民生命安全。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。