[发明专利]一种基于PCA和BP神经网络的交通事故预测方法

说明书

本发明公开了一种基于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；本发明提供的一种基于PCA和BP神经网络的交通事故预测方法对交通事故预测的准确率更高，可有效预防交通事故的发生。

技术领域

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（Principle Component Analysis，主成分分析法）和BP（Background Propagation，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。

发明内容

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x_i＝(x_i1,x_i2,...,x_ip)^T，i＝1,2,…,n，n＞p， 由所述向量x_i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-λI_p|＝0， 得p个特征根，确定主成分：对每个λ_j,j＝1,2,...,m,解方程Rb＝λ_jb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。