基于回归支持向量机的中国交通事故数据的研究 - Bowen Publishing.PDF

Nov. 2013, Vol. 3, Iss. 5, PP. 126-130 Scientific Journal of Computer Science 基于回归支持向量机的中国交通事故数据的研究∗ 吴雄华 天津工业大学理学院，天津 300160 摘要：本文用SVR 对中国交通事故数据建立了预测模型，由此分析交通法规对交通事故的影响。从结果中可以看出，相应交 通法规的实施极大地遏制了各项指标的增长趋势。最后 GM (1,1) 模型也验证了同样的结论。 GM (1,1) 关键词：支持向量机；交通事故；预测 Study on the Traffic Accidents Data of China Based on the SVR Xionghua Wu School of Science, Tianjin Polytechnic University, Tianjin 300160, China wuxionghua2003@163.com Abstract: A SVR forecast model was established using the traffic accidents data of China, and the effects of traffic laws and regulations on traffic accidents were analysed. The result showed that the implementation of the corresponding traffic laws greatly suppressed the growth trend of all indicators. In the end the same result was verified by GM (1,1) model. Keywords: Support Vector Machines; Traffic Accidents; Forecast 引言 近年来，我国机动车保有量与通车里程增幅较快，促进了国民经济的快速发展，但也带来了道路交通事故数 量增加、道路交通死亡人数逐年上升等负面影响，使中国成为世界上交通事故死亡人数最多的国家之一。2004 年 5 月1 日《中华人民共和国道路交通安全法》（下简称交通安全法）实施后，交通事故起数、死亡人数等指标才逐 渐呈下降趋势。预测每年的交通事故数对科学评价交通情况和治理均有指导意义，因此国内学者已做了较多研究 [1-3],本文将以支持向量机（support vector machines, SVM）为主要方法，从搜集的数据建立预测模型出发，评价交 通法规的制定与实施对中国交通事故的影响，并对将来趋势进行预测，同时用GM (1,1) 模型进行验证。 1 支持向量机简介 近年来，Vapnik 等人根据统计学习理论提出的支持向量机算法开始在工业领域得到应用并取得了令人鼓舞 的研究成果。SVM 回归算法（support vector regression,SVR ）详细的描述可以参考文献[4, 5] 。本文只简单介绍如 下。 设给定的训练集T {(x ,y ),...(x ,y )} ∈(X ×Y) ，其中xi ∈X R n 为自变量（对应本文的时间），y ∈R 为因