交通事故因素分析——数学建模获奖论文

交通事故因素分析——数学建模获奖论文内容摘要：

评估 2020年 5月 1 日开始实施的《中华人民共和国道路交通安全法》的法律影响。 重复 问题二的过程，进行最优评估。 根据附表 1的数据直观看出法律所影响的因素为事故起数与直接经济 损失，用问题二的过程进行预测。 用灰色系统模型对交通事故的预测 （见表 441）并用 excel画图 (见图 14)，对直接经济损失的预测（见 表 4—41）并用 excel画图（见图 15）程序（见附表 41） 图 14 图 15 根据附表 1用指数平滑预测模型对交通事故的预测（见表 442）并用 excel画图 (见图 16)，对直接经济损失的预测（见表 4—42）并用 excel画图（见图 17）程序（见附表 42） 图 17 分析表 421和表 422数据，用两种模型预测 20202020年事故起数和直接经济损失与实际 20202020 年的事故 起数和直接经济损失对比，两种模型用 excel作图，曲线走向基本一致，可见预测结果基本正确。 于是我们可以从图 图1图 1图 13 可以直观的看出可以看到 2020 年 5月 1 日开始实施的《中华人民共和国道路交通安全法》 对 2020年后的减小交通事故产生重大影响。 五、模型的优化与评价 1. 我们通过建立数学模型对国家为减少交通事故的产生所实施法律的影响 和 国家出台的安全规划目标的实现可能性进行了较为正确的量化评估； 2. 在预测分析中，现有的很多方法预测结果往往不够准确，问题二中我们所建立的时 间预测模型和灰色系统模型，简单易行，精度一般比较高；并且将两种模型进行了对比。 3. 在模型二中我们引入权值，同时将多目标简化为单目标，简化了模型； 4. 对模型中所得的结果分别进行了分析和对比，使得问题变得更加的清晰。 ； 2. 在某些参数的确定，由于缺乏数据，不免主观的成分稍大。 （ 1）查询更多的数据，以使得统计结果更正确，也可使计算机模拟更少的数据或不模拟以减少不确定性。 （ 2）通过市场调查、政策因素综合考虑交通安全法出台后的影响。 参考文献 [1]丁毓峰，等 matlab从入门到精通 .第一版，北京：化学工业出版社， 2020. [2]宋瑞才，等 数学建模的实践 第一版，北京：高等教育出版社， 2020 [3]卓金武，等 matlab 在数学建模中的应用，第一版，北京：北京航空航天大学出版社， 2020 [4]韩中庚，等 数学建模方法及其应 用 第一版，北京：高等教育出版社， 2020 附录 附表 1 民用载 民用载客汽私人汽车总 货汽车 车（万辆） 计（万辆） 私人载 私人载客汽 汽车驾驶员数 货汽车 车（万辆） （万人） 机动车驾驶员（万人） 问题一的求解 附表 12 clear。 close all。 clc。 n=()。 m=()。 X_0=zeros(n,m)。 % 数据 矩 阵 X_2=zeros(n,m)。 % 偏 差 结 果 的 求 取 矩 阵 X_3=zeros(n,m)。 % 相关系数计算矩阵 data()。 %指标数 X_1=[a1_0’,a2_0’,a3_0’,a4_0’]。 %最后使用到的数据矩阵 %1 寻找参考列 x0=[max(a1_0),max(a2_0),max(a3_0),max(a4_0)]。 %取每列的最大值（指标的最大值） %2 计算偏差结果 i=1。 while(i~=m+1) for j=1:1:n X_2(j,i)=abs(X_1(j,i)x0(i))。 end。 i=i+1。 end %3 确定偏差的最值 error_min=min(min(X_2))。 error_max=max(max(X_2))。 %4 计算相关系数 i=1。 p=。 while(i~=m+1) for j=1:1:n X_3(j,i)=(error_min+p*error_max)/(X_2(j,i)+p*error_max)。 end。 i=i+1。 end %X_3 %可以在此观察关联矩阵 %5 计算各个的关连序 a=zeros(1,n)。 for j=1:1:n for i=1:1:m a(j)=a(j)+X_3(j,i)。 %%%%其实可以直接用 sum end。 a(j)=a(j)/m。 %%%%%%%%%可以改进 %%%%%%%%%%% end %a %在此可以观测各个的序 %6 排序 b=a’。 [c,s]=sort(b)。 for i=1:1:n d(i)=i。 end d=d’。 result=[d b c s] %7 将结果显示出来 figure(1)。 plot(a)。 figure(2) bar(a)。 附表 13 clear。 close all。 clc。 n=9。 m=21。 X_0=zeros(n,m)。 X_2=zeros(n,m)。 X_3=zeros(n,m)。 a1_0=[250297 ]。 a2_0=[264817 ]。 a3_0=[228278 ]。 a4_0=[242343 ]。 a5_0=[253547 ]。 a6_0=[271843 ]。 a7_0=[287685 ]。 a8_0=[304217 ]。 a9_0=[346129 ]。 a10_0=[412860 ]。 a11_0=[616971 ]。 a12_0=[754919 ]。 a13_0=[773137 ]。 a14_0=[667507 ]。 a15_0=[517889 ]。 a16_0=[450254 ]。 a17_0=[378781 ]。 a18_0=[327209 ]。 a19_0=[265204 ]。 a20_0=[238351 ]。 a21_0=[219521 ]。 a2_0=a2_0./a1_0。 a3_0=a3_0./a1_0。 a4_0=a4_0./a1_0。 a5_0=a5_0./a1_0。 a6_0=a6_0./a1_0。 a7_0=a7_0./a1_0。 a8_0=a8_0./a1_0。 a9_0=a9_0./a1_0。 a10_0=a10_0./a1_0。 a11_0=a11_0./a1_0。 a12_0=a12_0./a1_0。 a13_0=a13_0./a1_0。 a14_0=a14_0./a1_0。 a15_0=a15_0./a1_0。 a16_0=a16_0./a1_0。 a17_0=a17_0./a1_0。 a18_0=a18_0./a1_0。 a19_0=a19_0./a1_0。 a20_0=a20_0./a1_0。 a21_0=a21_0./a1_0。 a1_0=a1_0./a1_0。 X_1=[a1_0’,a2_0’,a3_0’,a4_0’,a5_0’,a6_0’,a7_0’,a8_0’,a9_0’,a10_0’,a11_0’,a12_0’,a13_0’,a14_0’,a15_0’,a16_0’,a17_0’,a18_0’,a19_0’,a20_0’,a21_0’]。 i=1。 while(i~=m+1) for j=2:n X_2(j,i)=abs(X_1(j,i)X_1(1,i))。 end。 i=i+1。 end x0=[max(a1_0),max(a2_0),max(a3_0),max(a4_0),max(a5_0),max(a6_0),max(a7_0),max(a8_0),max(a9_0),max(a10_0),max(a11_0),max(a12_0),max(a13_0),max(a14_0),max(a15_0),max(a16_0),max(a17_0),max(a18_0),max(a19_0),max(a20_0),max(a21_0)]。 error_min=min(min(X_2))。 error_max=max(max(X_2))。 i=1。 p=。 while(i~=m+1) for j=2:n X_3(j,i)=(error_min+p*error_max)/(X_2(j,i)+p*error_max)。 end。 i=i+1。 end a=zeros(1,n)。 for j=1:n。