主成分分析法在城市道路交通安全评价中的应用

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (36): 246-248.

• 工程与应用 • 上一篇

主成分分析法在城市道路交通安全评价中的应用

张文峰,史忠科

西北工业大学自动化学院，西安 710072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-21 发布日期:2007-12-21
通讯作者: 张文峰

Application of principal component analysis in evaluation of city road traffic safety

ZHANG Wen-feng,SHI Zhong-ke

College of Automation，Northwestern Polytechnical University，Xi’an 710072，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-21 Published:2007-12-21
Contact: ZHANG Wen-feng

摘要/Abstract

摘要： 城市道路交通安全评价是一个综合性的课题，是改善道路交通安全、实现城市交通安全快捷不可或缺的部分。利用主成分分析的方法，选定几个评价其安全的主要指标，利用数学软件计算得出不同的几条路面的综合安全系数，得分越大表明危险系数越高；然后将所得结果与已有的参考文献中利用模糊综合评价法得出的结果比较，得出主成分法是可行的，而且能利用到实际的测评中来衡量某个城市区域交通规划的合理性，并在一些特定场合有其特有的优越性。

关键词: 城市道路交通, 交通安全, 主成分分析

Abstract: Evaluation for the city road traffic safety is a comprehensive subject.It is indispensable to improve the city road traffic safety and make the road traffic work smoothly.By using the method of principal component analysis（PCA），several main safety indexes are selected，and the safety coefficients of several different roads are calculated by the mathematics software.The bigger the value is，the more dangerous the road is.Comparing the result with the existing reference，in which using the method of Fuzzy Comprehensive Evaluation，the result validates the PCA is in availability，which is suitable for evaluating the rationality of transportation planning in a city area，and the PCA owns its advantages in some special occasions.

Key words: city road traffic, traffic safety, principal component analysis

张文峰,史忠科. 主成分分析法在城市道路交通安全评价中的应用[J]. 计算机工程与应用, 2007, 43(36): 246-248.

ZHANG Wen-feng,SHI Zhong-ke. Application of principal component analysis in evaluation of city road traffic safety[J]. Computer Engineering and Applications, 2007, 43(36): 246-248.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[3]	程宇航，张健钦，李江川，张安. 交通行业事故文本数据的可视化挖掘分析方法[J]. 计算机工程与应用, 2021, 57(21): 116-122.
[4]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[5]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[6]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[7]	邱宁佳，王晓霞，王鹏，周思丞，王艳春. 结合迁移学习模型的卷积神经网络算法研究[J]. 计算机工程与应用, 2020, 56(5): 43-48.
[8]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[9]	邱宁佳，沈卓睿，王辉，王鹏. 通信垃圾文本识别的半监督学习优化算法[J]. 计算机工程与应用, 2020, 56(17): 121-128.
[10]	杨永鹏，杨真真，李建林，乐俊. 低秩稀疏分解及其在视频和图像处理中的应用[J]. 计算机工程与应用, 2020, 56(16): 21-30.
[11]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[12]	陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究[J]. 计算机工程与应用, 2019, 55(6): 108-112.
[13]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[14]	牛亚茜，冀小平. 基于卷积神经网络的图像检索算法研究[J]. 计算机工程与应用, 2019, 55(18): 201-206.
[15]	马义超，赵运基，张新良. 基于PCA初始化卷积核的CNN手写数字识别算法[J]. 计算机工程与应用, 2019, 55(13): 134-139.

主成分分析法在城市道路交通安全评价中的应用

Application of principal component analysis in evaluation of city road traffic safety

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics