道路交通事故发展趋势分析与预测

根据福建省2000 -2010年交通事故相关指标,采用统计图表分析法进行交通事故发展趋势分析与安全水平比较研究,结果表明交通事故各项绝对指标总体呈下降趋势,但从万车死亡率、受伤人数与死亡人数比及交通事故死亡人数占各类事故死亡人数比重等相对指标看,交通安全总体水平偏低,交通事故后果比较严重.对交通事故死亡人数与GDP、机动车保有量、公路通车里程、人口数四项影响因素进行了多元线性回归分析,分析得出四个影响因素总体对交通事故死亡人数的线性影响是显著的,采取向后筛选策略线性回归分析得出,死亡人数与GDP的线性关系是显著的,根据回归结果建立了交通事故的预测模型.     

道路交通事故BP神经网络预测研究

在分析道路交通事故影响因素的基础上,确定道路交通事故评价指标体系。该体系包含交通事故次数、死亡人数、受伤人数3个输出指标及12个影响因素。利用人工神经网络具的强非线性逼近、模糊推理、自学习的优点,建立道路交通事故BP神经网络预测模型。模型对我国2006年、2007年、2008年的交通事故情况进行预测,其中,2006年、2007年预测精度较高,2008年预测误差稍大,可能的原因为2007年12月修订的《中华人民共和国道路交通安全法》对减少交通事故起到较大作用。     

以ARIMA模型预测全国生产安全事故

本文根据2000~2015年全国各类生产安全事故死亡人数统计数据,建立ARIMA(1,1,0)模型,并对2020年全国各类生产安全事故死亡人数进行了预测,预测结果表明,ARIMA(1,1,0)模型预测值与全国安全生产"十三五"规划中规划目标值的相对误差为1.4%,建立的模型预测精度较高,预测结果可为安全生产管理决策提供科学依据。     

建筑工程生产事故死亡人数时间序列分析

为研究建筑工程安全生产事故死亡人数的变化规律,采用时间序列分析方法,分析了建筑安全事故死亡人数时间序列上的趋势性规律,通过数据预处理和模型的识别与检验,最终建立了安全事故死亡人数预测模型。对全国2005—2014年建筑工程安全生产事故造成的死亡人数进行了分析和预测。结果表明:ARIMA模型各年预测值与实际值误差率为0.393,相比灰色模型和BP神经网络模型误差率最小。总体上说,ARIMA模型较适用于随机性较大的数据的趋势预测。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

交通事故损失的时间序列分析

为揭示交通事故经济损失的变化规律,笔者研究并利用时间序列的方法,建立了ARIMA模型,对1985—2005年全国交通事故经济损失的数据进行了分析和预测。根据原始数据的特点,选择随机时间序列分析方法。通过对模型的识别和参数的选择,得到2006—2008年的交通事故损失的预测值分别为2.9559,2.9707和3.0129亿元,置信区间为95%。通过对1985—2005年交通事故经济损失的预测结果与原始数据的比较表明,预测结果接近原始数据,该方法为交通事故的预防和控制提供了技术指导和有益参考。     

基于GM(1,1)模型的军用车辆交通事故预测研究

在分析军用车辆交通事故预测技术重要性的基础上,根据2005—2009年的军用车辆交通事故原始数据,建立军车交通事故的GM(1,1)灰色预测模型。对军用车辆交通事故起数和死亡人数进行短期预测,并通过实例验证预测模型的适用性。通过模型验证结果可以看出:GM(1,1)模型预测所得数据较为精确。预测结论如下:未来几年,军车交通事故会稳步下降,事故发生次数会快速减少,但死亡人数相对减少较缓。     

云南省交通事故数据的分析研究

通过对云南省1981—2003年的交通事故统计数据的分析研究,给出了交通事故死亡人数的预测模型。通过与发达国家类似的交通事故历史数据的对比分析,给出以时间和机动车拥有量为自变量、交通事故死亡人数为因变量的简单预测模型,该模型对2004年的交通事故死亡人数的预测是准确的;同时采用该模型预测了云南省交通事故死亡人数的峰值及其年份。结论指出:基于目前的人、车、路和管理水平及发展趋势,云南省的交通事故死亡人数在2013—2018年之间将达到高峰,高峰时的交通事故死亡人数在5528～7369人之间。     

农村火灾灰色预测模型及其应用

火灾事故的发生具有随机性、不确定性.根据1997-2006年全国农村火灾情况的统计数据,运用灰色预测理论,构建符合精度要求的GM(1,1)预测模型,结合精度检验、残差修正等手段,预测了2007-2010年农村火灾发生起数、直接经济损失、火灾受伤人数、火灾死亡人数.预测结果显示,农村火灾起数呈上升趋势,由火灾造成的直接经济损失和伤亡人数均呈波动性下降趋势,但是损失依然巨大.     

基于组合预测优化模型的交通事故预测研究

为提高交通事故预测精度,基于熵值法构建UGM(1,1)-Holt组合预测模型,将滑动转移概率思想引入马尔科夫链模型,实现组合预测优化。应用该模型拟合分析2003—2011年湖北省交通事故死亡人数的历史数据,并以2012—2014年数据验证其有效性。通过实例对比UGM(1,1)模型、Holt指数平滑模型、组合预测模型和组合预测优化模型的预测精度。结果表明:相比前3种模型,提出的组合预测优化方法拟合值平均相对误差(MRE)为0.45%,3年预测值MRE为1.25%,能有效获取单一模型优势,预测精度更高。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

我国高速公路交通事故趋势分析

对高速公路交通事故的主要原因、事故类型和发展趋势作了分析和预测 ,拟合出每百公里交通事故起数的预测公式 ,指出应加强对超速行车、通车初期和恶劣天气时的交通控制。分析结论是 :高速公路交通事故总体上呈下降趋势 ;事故的绝对数将继续增长 ,但每百公里事故起数将逐年平缓下降 ;在高速公路交通事故中 ,单方事故居多 ,超速行驶是引发事故的主要原因 ,追尾是事故的主要形态 ;在高速公路通车初期和恶劣气候条件下 ,事故呈上升趋势     

Research on the prediction of dangerous goods accidents during highway transportation based on the ARMA model

The COVID-19 epidemic has caused a lack of data on highway transportation accidents involving dangerous goods in China in the first quarter of 2020, and this lack of data has seriously affected research on highway transportation accidents involving dangerous goods. This study strives to compensate for this lack to a certain extent and reduce the impact of missing data on research of dangerous goods transportation accidents. Data pertaining to 2340 dangerous goods accidents in the process of highway transportation in China from 2013 to 2019 are obtained with webpage crawling software. In this paper, the number of monthly highway transportation accidents involving dangerous goods from 2013 to 2019 is determined, and the time series of transportation accidents and an autoregressive moving average (ARMA) prediction model are established. The prediction accuracy of the model is evaluated based on the actual number of dangerous goods highway transportation accidents in China from 2017 to 2019. The results indicate that the mean absolute percentage error (MAPE) between the actual and predicted values of dangerous goods highway transportation accidents from 2017 to 2019 is 0.147, 0.315 and 0.29. Therefore, the model meets the prediction accuracy requirements. Then, the prediction model is applied to predict the number of dangerous goods transportation accidents in the first quarter of 2020 in China. Twenty-two accidents are predicted in January, 23 accidents in February and 27 accidents in March. The results provide a reference for the study of dangerous goods transportation accidents and the formulation of accident prevention and emergency measures.     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

事故预测数学模型的研究与实践

依据收集统计的、真实可靠的事故数据,运用数学方法及建立的多种事故预测模型,在工作中理论与实际相结合,提出并建立了事故预测数学模型,给出具体方法与步骤,以及应用中应遵循的原则和规律,从而做到对将来发生的事故未卜先知,用以指导安全生产活动,预防事故发生。同时,根据我国近18年来各类事故死亡人员的数据建立事故预测数学模型,并运用确立的最佳事故预测数学模型而预测出的事故数据,探讨我国伤亡事故发生的趋势。     

基于ARIMA-LOESS模型的危化品道路运输事故起数预测

文章针对危化品道路运输事故预测问题,运用差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)与局部加权回归模型(Locally Estimated Scatterplot Smoothing,LOESS)的组合模型,对我国危化品道路运输事故发生起数进行预测。首先,基于2011—2018年我国发生的危化品道路运输事故数据建立ARIMA模型,利用SPSS软件进行模型拟合预测,获取危化品道路运输事故起数的线性部分;其次,应用MATLAB建立LOESS回归模型,对ARIMA模型预测偏差进行残差优化,获取危化品道路运输事故起数的非线性部分;最后,建立ARIMA-LOESS组合模型,利用组合模型对危化品道路运输事故发生起数进行预测,并根据真实数据对预测结果进行对比验证。结果表明:ARIMA-LOESS组合预测模型可较好拟合危化品道路运输事故数据序列,并修正单一模型的误差,获取较高的预测精度。该研究可为危化品道路运输安全与运行的趋势分析与判断提供更加可靠的数据依据,也可为危化品道路运输事故防控方案提供帮助。     

基于Hankel-DMD的城市交通事故风险时空预测*

为解决城市交通事故风险时空分布预测任务中时空关联性捕捉困难的问题,提出基于动态模态分解（DMD）的城市交通事故分析时空预测模型,模型利用总最小二乘法去除交通事故数据中的噪声,应用结合Hankel矩阵的动态模态分解模型（Hankel-DMD）捕捉交通事故风险的时空关联性,对交通事故风险的时空分布进行预测。研究结果表明:DMD框架能够为高维预测任务提供低秩解决方案,从高维数据中捕捉时空关联性;Hankel-DMD模型在预测评价指标平均绝对误差和均方根误差方面的表现明显优于统计学及机器学习等方法;Hankel-DMD模型产生的动态模态和特征值,对事故风险系统的时空动态特征具有一定的可解释性,同时验证Hankel-DMD模型的适用性。     

灰色Elman神经网络在火灾事故预测中的应用研究

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色Elman神经网络火灾事故预测模型。依据我国1998—2007年火灾事故统计数据,分别选用GM(1,1)模型和灰色Elman神经网络模型对1998—2005年数据(火灾起数)进行拟合,对2006年、2007年数据进行(火灾起数)预测。结果表明:灰色Elman神经网络火灾事故预测模型符合火灾事故的特点;有效地解决了传统灰色预测模型在火灾事故预测中误差大稳定性差的缺陷,提高了预测精度;可对火灾事故进行预测与分析,为消防安全管理提供依据,以最大限度地减少火灾事故的发生。     

2000年国内重特大事故数据

简要介绍了2000年全国安全生产的基本情况,对重特大事故进行了不完全统计,把102起重特大事故按事故类型和行业进行了归类分析,从中得出了4个结论。