0 引 言

水上交通运输是高风险行业。随着交通运输的日益繁忙，船舶总量的增大，航行速度提高，致使水上交通密度不断增大，水上交通事故频繁发生，也造成了大量的人员伤亡和财产损失。水上交通安全已成为人们关注的焦点，许多学者在水上交通安全领域进行了大量的研究，以期揭示水上交通事故的发生规律，构建水上交通事故预防机制，其中重要的是研究事故致因的影响因素[1]。

目前在水上交通事故严重程度领域已有的研究主要是利用经典的统计方法对特定类型的船舶的分析。如W.K.Talley等[2]采用Tobit回归模型和有序Probit模型研究了渡船事故中事故类型、人为因素等对于事故造成的财产损失和人员受伤的影响。Jin D.等[3]运用有序Probit模型研究了风速、船龄、离岸距离等因素与渔船损害严重程度的影响。 T.L.Yip等[4]采用泊松回归方法研究了对得出客船事故的乘客伤亡人数的影响因素。 郑义书等[5]研究了集装箱船事故中非致命和致命船员伤亡概率的决定因素。 W.K.Talley等[6]研究了影响游轮事故严重程度的因素。Weng J.等[7]使用二元逻辑回归模型分析水上交通事故的严重程度，得出在恶劣天气和夜间发生致命事故和死亡事故的概率较大的结果。

目前水上交通事故严重程度的研究是主要利用经典统计模型，而在道路交通事故严重程度研究中，智能算法支持向量机已得到了极大的运用，其相对于经典统计模型有着一定的优势，国外学者如X.Li等[8]采用支持向量机模型研究了了机动车碰撞安全性能函数，结果表明，与传统的负二项分布模型相比，支持向量机模型比负二项分布模型具有更好的拟合优度。Li Z.等[9]将支持向量机模型与有序概率模型的性能进行比较，得出支持向量机模型在损伤程度预测和因子影响评估方面优于OP模型。Yu R.等[10]结合实时交通和天气数据，用支持向量机评估碰撞损伤程度。Chen C.等[11]利用支持向量机模型研究驾驶员受伤的严重程度，并与分类回归树(CART)模型进行比较。国内学者孙轶轩等[12]、刘鑫鑫[13]也使用支持向量机研究了城市道路事故和高速公路追尾事故严重程度的影响因素。支持向量机作为有监督的分类识别模型，相对于BP神经网络以及ANN神经网络有着较高的预测精度[14]。

目前水路水运更加的注重智能化、信息化[15]，对于水上事故严重程度的量化分析能够为水运安全提供决策建议；而分析研究现状可知，目前对于水上交通事故严重程度的研究主要是针对特定船舶的发生事故时的损失，忽略了船舶种类对于事故严重程度的影响，同时主要依靠经典的统计模型对于事故的严重程度进行分析，使用智能算法对其研究较少。综合上述因素，笔者将支持向量机引入至水上交通事故严重程度研究中，研究所有船舶种类的事故，从水上交通员事故调查报告中的获取的影响因素，参照最新的水上交通事故统计方法，按财产损失和意外伤亡程度划分为1级、2级和3级，作为事故数据的类别标签，建立了基于支持向量机三分类的事故严重程度预测模型。支持向量机模型采用核函数方式将各类影响因素的特征变换为高维空间向量，无法直接从预测结果中分析出各个因素对模型的影响大小，支持向量机递归特征消除(SVM-RFE)在筛选因素时能按照各因素的权重对因素进行排序消除[16-17]。本文在事故严重程度预测模型出来之后，利用SVM-RFE计算各影响因素的权重值，筛选出对事故严重程度影响最大因素。

周蒂曾用此公式通过海底不同粒级的沉积物分布特征反演底层海流速度[11]。由公式可以发现，τc反应了海水扰动能量的大小，τc与D呈正比关系。所以，对于动水成因的高能鲕来说，海水的扰动能量决定了鲕粒的大小。通常，成鲕环境的扰动能量大体稳定，动力来源主要是潮汐，其次是波浪，所以鲕粒灰岩中的鲕粒大多小于2mm，且粒度均匀。

分析不同性别、婚姻状况、子女情况、文化程度、宗教信仰、职称、月收入对护士器官捐献态度的影响。两样本均数采用t检验，多个样本均数应用方差分析的统计学方法。以α=0.05为检验水准。结果见表3。

1 模型建立

1.1 多分类支持向量机

为i类

wTx+b=0

(1)

x为输入向量，w为权值向量，b为常量参数。当核函数K(xi,xj)=φ(xi)T(xj)满足Mercer条件时，其能通过高维映射将问题转化为1个凸二次问题规划，将高维空间的分类面计算问题转化为求核函数内积的计算。

经典的支持向量机一般是用来处理二分类问题，在处理多分类问题时，支持向量机模型总是将多个分类转化为2类，然后通过2个分类器的组合间接实现多类问题的分类。解决这一问题的方法有2种：①一对多，即将某一类与另外所有类的数据作为对立进行训练；②一对一，将所有类别进行一对一的训练，构建K(K-1)/ 2(K为类别)个分类器。对许多问题来说，2种方法的的分类准确率大致相同，但一对一分类的方法在训练速度更快[18]。使用一对一的多分类方法来构建三分类模型时，对于1个测试数据，其类别未知，经过3次二分类模型，将会得到3个类别标签，该测试数据的类别有3个类别标签中最多类的标签来决定。

由于数据不平衡，不同等级的事故样本数量差别较大，如按照经典的支持向量机给予所有类别已相同的惩罚参数，对于小样本类别的的识别将会很困难。对具有小样本类别采用较大的离群惩罚参数，如式(2)中对于每一个分类模型采用不同惩罚参数C，以提高对于小样本类别的识别精确度。

 

支持向量机分类模型是基于统计学习理论和结构风险最小化原则的有监督学习模型。其基本思想是通过对原始样本属性空间的非线性决策函数的非线性变换代替高维空间的非线性决策函数。将问题转化为凸二次规划问题，保证了解的唯一性和全局最优性，其目标是找到一个超平面，通过最小化错误点的距离来决定边界，分界面见式(1)。

为j类

ξt≥0

(2)

式中：Wij为权值向量；为松弛变量；xt为输入向量；CiCj分别为对于i类和j类的惩罚参数；j为数据类别标签；t为样本数量。在实际运算中为达到总体的最优解，提高对小样本错分类的惩罚参数，增大对小样本数据的重视度，以提高在模型对于小样本类别的预测精确度。建立了3个二分类模型，对于每个二分类模型中，分类惩罚参数依据2种类别的样本数量，按照其数量反比设定2个类别不同的惩罚参数。

 

表1 三分类的决策函数说明表

 

Tab.1 the three decision functions for three models

  

yi=1yi=-1决定函数12f12(x)=(w12)Tx+b1223f23(x)=(w23)Tx+b2313f13(x)=(w13)Tx+b13

对于本文中使用的一对一分类模型，3个类应该训练3个二进制的支持向量机，决策函数的见表(1)。当模型建立后，对于每一个测试数据得到3个预测类别，根据该对该数据的预测类别投票，在某一类别有较多票数的将该测试数据归为其类。

1.2 多分类模型参数优化

在建立支持向量分类模型后，使用交叉验证的方法来检验模型的精确度。常用的交叉验证方法主要有LOO-CV和K-CV，K-CV交叉验证方法将样本分割为若干个子样本，将任取其中1个子样本作为测试数据，另外的所有子样本作为训练数据，如此重复若干次，所有预测结果的平均值作为交叉验证的最终结果，其模型准确度受分割的子样本数量的影响，通过调整不同的K-CV的子样本数量可以得出不同的分类准确度。

对于三分类模型中每个分离面给出不同的参数调整，在Matlab的LIBSVM工具箱中可以使用参数C为不同模型的不同惩罚参数，g为核函数参数。支持向量机的分类预测精度依赖于两者的参数选取，为了找到最佳的惩罚参数，在使用K-CV验证时， 需对于惩罚参数C和核函数参数g进行寻优，由于参数数量不大，使用近似算法或启发式算法和网格搜索算法在计算的时间上相差不大，同时也能全面的对参数取值进行筛选，避免使用启发式算法陷入局部最优的状况。

网格搜索算法为惩罚参数C和核函数参数g设定搜索的初始值和最终值，在设定区间以固定的步长进行逐步搜索，获取最高的分类准确度并记录下来，并可以同时对C和g数值进行并行运算，得出参数C和g的最优数值组合。

1.3 SVM-RFE特征筛选方法

4) 船舶功率、船舶总吨、事故地点以及事故发生时的风力等级等4个因素对于人员伤亡严重程度的影响不大。

 

(3)

Qij=K(xi,xj)≡φ(xiTφ(xj)

加快国家畜禽粪污资源化利用试点县项目实施进度，大力推进畜禽粪污、农作物秸秆、废旧农膜、病死畜禽等农业废弃物资源化利用，加强病虫害统防统治和全程绿色防控，加快实施高剧毒农药替代计划，规范限量使用饲料添加剂，规范使用兽用抗菌药物。深入推进化肥、农药使用量零增长行动，推广有机肥替代化肥、测土配方施肥，减少废弃物、化肥、农药对土壤的污染，提升耕地质量，提高农作物产量、质量[2]。

(4)

式中：α为拉格朗日乘子；Q为向量内积矩阵。

SVM-RFE理念是根据权重向量W在训练支持向量机的产生构建特征排序系数。每次迭代取一个特征作为最小的排序准则，在下一次迭代中保留支持向量机模型的剩余特征。重复这个过程，直到所有的特征都被移除，最后得到所有特性属性的降序。该计算方法主要用于二分类。对于多类案例，K.Yan等[19]提出了一种策略，最简单的方法就是增将每个二分类问题的特征权重相加求取平均值，然后去掉权重之和的最小的特征，以此来逐步筛选出对于模型影响最大的因素。

2 数 据

本文中交通事故数据来自中国某海事局2013—2016年的事故总结。2015年新的水上交通事故统计方法出来之后，水上交通事故统计的方法有一定的改变，统计方法以及收集数据属性都有了较大的变化。故本文使用2015—2016年总计432起水上交通事故的数据。

致谢:中国气象局、NCEP/NCAR、CPC提供了160站降水、NCEP/NCAR Reanalysis、Nio3.4区指数资料的在线下载服务。

对于不同的分类模型，参数组合C和g的值相差较大，在求出了3个分类模型的参数之后，将测试数据代入3个模型进行验证，同样的对于财产损失使用类似的方法进行建模。所得的模型对选取的测试数据的验证结果见图1。由于第1等级和第2等级事故数量在整体事故中占据较大的比重，相较而言第3等级的事故发生频率较低，建立的事故严重程度预测模型在预测第3等级事故时准确率不太理想。尽管在给予了第3等级的事故以更大的错分类惩罚参数C，其在训练数据的的分类准确度表现来搞，但对于测试数据来说，第3等级的事故预测精确度仍不够高。

 

表2 影响因素说明及占比分布表

 

Tab.2 Descriptions of all variable factors

  

影响因素属性说明频次占比/%时间(1,0)白天(06:00—18:00)21048.61(0,1)夜晚22251.39季节(1,0,0,0)春季(3—5月)11727.08(0,1,0,0)夏季(6—8月)13831.94(0,0,1,0)秋季(9—11月)7617.59(0,0,0,1)冬季(12—1月)10123.38事故类型(1,0,0,0,0,0,0)碰撞15936.81(0,1,0,0,0,0,0)搁浅133.01(0,0,1,0,0,0,0)触碰276.25(0,0,0,1,0,0,0)火灾/爆炸194.40(0,0,0,0,1,0,0)风损/浪损133.01(0,0,0,0,0,1,0)自沉9121.06(0,0,0,0,0,0,1)其他11025.46事故位置(1,0)内河24556.71(0,1)海上18743.29风力等级最大风力等级连续变量4(均值)船舶类型(1,0,0,0,0)客船184.17(0,1,0,0,0)杂货船15636.11(0,0,1,0,0)危险品船368.33(0,0,0,1,0)渔船5212.04(0,0,0,0,1)其他船舶25158.10船舶总吨总吨/t连续变量7224.8(均值)船舶功率功率/kW连续变量3096.1(均值)

表2中，有5种类型的船舶事故，除了碰撞事故之外，其他事故都是只有1条船。因为碰撞和触碰的事故，涉及到的船舶不止1条。在碰撞事故中有不同类型的船只，那么该事故“船舶类型”的类型就有多种类型。同时也将碰撞以及触碰事故船舶的“总吨”和“总功率”加至一起，因此，“船舶类型”总计为513，大于事故总数量432。笔者考虑了8个大类影响因素，其中3类是连续性变量，将其归一化导入模型，对于离散型变量的，使用一个行向量来表示，8个大类的影响因素被扩展成23个子影响因素，表2列出了所有因素的频数和百分比。

第1次手术时间（176.83±22.65）min，出血量（43.35±7.67）ml。术后1 d出现伤口周围皮下瘀斑7例、大腿前外侧麻木或疼痛11例、下腹壁疼痛2例、会阴区疼痛3例、髋部肌力下降3例、下肢冰凉1例，所有症状均在1周～3个月内完全消失。融合器移位2个节段，发生在凸侧矫正后路固定之前。

在对事故等级的分级中，分别对于伤亡和财产损失进行事故严重程度分级，在表3中，这两者都是分为3个等级。伤亡人数按事故死亡人数来计算，第1 等级表示无人死亡的事故，占31.25%；第2等级级代表只有1人或2人死亡的事故，占57.18%；第三等级3级是超过2人死亡的事故，占11.57%。结果表明，第3 等级事故的伤亡人数和财产损失都比其他类别的要少，见表3。

由于该案在基本案型上与齐玉苓案不同，所以二审法院对前述最高人民法院关于齐玉苓案的批复就不是全盘适用，而是比照类推适用其救济方式部分，即“侵犯公民依据宪法所享有的受教育的基本权利的，应当承担民事责任”。该案中因为不存在长期性冒用被害人姓名的情节，在民事责任的承担上，除了给予精神损害赔偿和公开(登报)赔礼道歉之外，并没有像齐玉苓案那样判决直接经济损失的赔偿和既得经济利益的移转，在精神损害赔偿的问题上也没有采纳最高标准，也就是说没有惩罚性赔偿在其中。

获得的数据样本为432例，人员伤亡损失分类模型使用3折CV验证，网格搜索算法优化参数中，惩罚参数C区间取[2-8，28]，核函数参数g区间取[2-8，28]，步长取0.5，进行计算，最后得出3个二分类模型的最优参数组合见表4。

 

表3 事故严重程度分级对照表

 

Tab.3 Accident severity classes

  

等级描述频数百分比/%人员伤亡1013531.2521～2人24757.1833人及以上5011.57财产损失1<100万元27864.352100万～500万元11526.623>500万元399.03

财产损失是事故中的经济损失，损失以百万元计算。1级表示损失不到100万元；2级表示损失超过100万元，但不超过500万元；3级表明损失超过500万元。笔者采用的3种分类方法是根据海上交通事故的统计方法，将特别重大事故和重大事故被合并为第3等级事故。从事故等级的百分比可看，不同等级事故的数据是不平衡的，对于财产损失，第3等级只有39个样本，仅为第1等级的1/7。事故后果严重的事故发生的较少，导致其统计样本相对较小。

3 实例验证

3.1 多分类模型结果

在传统的LIBSVM中，对于三分类模型，通常采取的做法是建立1个整体结构的三分类模型，对于3个二分类模型采用一样的参数C和g，在处理不平衡数据时，这种方法会导致模型精确度的下降。由于得到的数据库中不同等级的事故数量是不一样的，为了处理这种类别数量不平衡的数据，建立了3个基于RBF核函数的二分类模型，给予3个二分类模型不同的惩罚参数C，用所获得数据中的2/3进行训练。

1343 Cause analysis and management of liquefactive necrosis of thyroid nodules after microwave ablation

本文从交通事故严重程度分析，从事故统计数据中选取了对水上交通事故严重程度有影响的8个因素。其包括时间、事故发生季节、事故类型、区域、风力、船舶类型、位移和功率等信息。详细信息见表2。

虽然现在对于椰果采摘机的研究有所加强，但是仍局限在一些地方的研究所还有一些大学的实验室，而真正意义上的属于椰果采摘机的专项的研究中心还没有诞生。要想在椰果采摘机的发明上取得真正的实用性突破，最好是能够建立专项的椰果采摘机研究中心，并且吸引一些专项的科研人员。本文设计了椰果采摘机的工作流程图，如图1所示。

 

表4 人员伤亡分类模型参数优化表

 

Tab.4 The final parameters of theclassification of human loss

  

等级C+C-g123.822.000.5132.968.00.0039232.2911.310.5

  

图1 验证结果与实际类别对比图

 

Fig.1 Predicted class compares with the real class

从人员伤亡分类预测结果来看，分类模型对于训练数据的预测精确度较高，对于第3 等级事故的训练数据精度分别达到了81.8%及73.8%，这是对于第3等级事故使用了较大的惩罚参数，导致了模型泛化能力的降低。对测试数据来说，第2等级事故的预测准确率可高达90%，但是第3等级事故的预测准确率降到了30%。对于财产损失的分类预测有着相似的结果，对于训练数据的总体准确率可达到74.65%的准确率，测试数据的整体准确率可达到70.95%。

 

表5 模型预测精度与训练精度对照表

 

Tab.5 The accuracy of train data and predicted data

  

事故等级训练数据精度/%测试数据精度/%人员伤亡182.2257.78266.2790.12381.8229.41总计73.0172.73财产损失176.9282.29269.7455.00373.0833.33总计74.6570.95

3.2 SVM-RFE筛选结果

在此基础上选出对于事故严重程度影响最大的影响因素，选用SVM-RFE来进行筛选，SVM-RFE通过每次迭代来选择出对于整体SVM贡献权重最小的一个影响因素，经过多次迭代得出所有因素的影响排序。由于此算法一般用于二分类的模型，在三分类模型中，将3个二分类模型各因素的权重值求和，每次迭代筛选出权重之和最小的影响因素，得出个因素的影响大小排序，见表6。人员伤亡以及财产损失的排序有着较大的差别，在人员伤亡严重程度影响因素中有以下重点。

 

表6 人员伤亡和财产损失影响因素排序表

 

Tab.6 The factor ranking of the casualtiesand property damage

  

排序人员伤亡财产损失1自沉事故危险品船2渔船内河3秋季渔船4触碰事故夜晚5搁浅事故火灾爆炸事故6碰撞事故最大风力等级7内河船舶功率8夜晚触碰事故9夏季其他事故10冬季最大风力风级11其他事故客船12海域白天13最大风力等级其他船舶14其他船舶散杂货船15客船春节16春节秋季17船舶功率搁浅事故18白天海域19散杂货船碰撞事故20危险品船自沉事故21火灾/爆炸事故船舶总吨22浪损事故夏季23船舶总吨冬季

1) 从事故类型来看，自沉事故对于人员伤亡严重程度的影响最大，触碰、搁浅、碰撞等事故类型对于人员伤亡的影响也较大，而如火灾爆炸等事故对于事故严重程度的影响较小。

2) 从船舶类型来看，仅有渔船事故对于人员伤亡的影响程度较大，其他船舶类型对于人员伤亡的影响程度较小。

3) 从时间上来看，秋季发生的事故容易导致较大的人员伤亡，同时夜晚更易导致较大的人员伤亡。

本文采用数值模拟方法, 计算了半模试验段侧壁简化模型的附面层厚度, 分析了涡流发生器安装角度、 结构尺寸、 安装位置、 个数等参数对减小附面层厚度的影响规律. 通过模拟各参数变化情况下涡流发生器的影响效果, 得到最优的参数组合结果: 反向双叶片分布的8个梯形叶片, 安装角度12°, 安装位置距旋心20δ, 后缘高度为1.2δ. 利用这种涡流发生器在Ma=0.4～0.9范围内, 模型旋转中心处的附面层厚度可减小66%左右, 其对核心流影响小于0.003.

SVM-RFE算法基于支持向量机在训练时生成的权重向量w，对其进行大小排序。每次迭代都去掉最小的权重的因素，最后将所有因素按权重大小排序。因素的权重计算方法如式(3)～(4)，并根据计算的权重来对这些因素进行排序。

对于财产损失影响因素的分析有以下重点。

1) 从船舶类型看，危险品船及渔船会导致较大的财产损失，其他类型船舶对于财产损失的影响较小。

2) 从时间上看，夜晚事故对于财产损失影响较大，季节因素对于财产损失的影响较小。

在原有的大学生服务平台上如Q Q、微信中融入学科特色，搭建创新创业服务机构，建立集学生管理与创新创业孵化于一体的网络信息平台。在这个创新创业网络服务平台上，包括信息公告栏、项目一览栏、在线学习栏、辅导咨询栏、优秀项目库、学生创意栏、反馈栏等模块。建立监督和考评机制，促进其健康成长。

3) 从事故发生地点来看，内河事故造成的财产损失较海上事故大。

SWOT分析法于上世纪80年代提出以来，广泛应用于评价企业的综合情况，通过分析企业优势、劣势，面临的机会与威胁，并结合自身企业优势，扬长避短，选择适合本企业的发展策略。

4) 从事故类型来看，火灾事故以及触碰事故对于财产损失的影响较大。

5) 船舶功率以及事故发生时的风力等级对于财产损失的影响较大。

结合人员伤亡和财产损失分析，共同的重要影响因素主要有船舶类型中的渔船、事故类型中触碰事故、事故发生地点内河这3个因素对于人员伤亡以及财产损失的影响均较大。

4 结束语

笔者依据2015—2016年间2年的水上交通事故统计数据来研究水上交通事故严重程度的影响因素，从事故数据中提取出候选的影响因素，根据事故造成的人员伤亡和财产损失将事故严重程度分级，利用支持向量机建立三分类模型对事故严重程度进行预测。整体正确预测率为测试数据达到70%以上。模型对于训练数据的分类识别度较高，但在推广能力上较差，对于小样本数据的分类预测准确率不够理想。

随后使用SVM-RFE算法来选择确定的因子。结果表明，伤亡严重程度与自沉，渔船和秋季有关，财产损失的严重程度与危险船舶，内陆地区和渔船有关。这些因素对事故的严重程度影响较大。渔船事故造成更严重的人员伤亡和财产损失，自沉事故造成更严重的伤亡事故，危险船舶是造成财产损失的最危险因素。

本文使用的SVM模型在很大程度上依赖于参数选择以及核函数，仅使用了RBF-Kennel函数来建立模型，未对其他的核函数模型进行讨论，其次获取的数据不够充分，仅收集到432个事故数据用于建立模型，缺少更多的数据用来训练，获得的数据中对于事故严重程度的影响因素不够全面，如航道水文环境、人为因素等也可能对事故严重程度有着较大的影响，而此项在事故统计中未列入，水上交通事故统计仍有完善的余地。在使用SVM处理不平衡数据时需更加深入，或者建立二元分类模型来解决这个问题。

随着人口老龄化日益严重，各种神经系统疾病发病率也日益增加。脑卒中作为最常见的神经系统疾病，70%～80%的患者会留下残疾而需要接受康复治疗[1]，脑卒中康复是降低患者致残率的关键环节[2]，而且康复治疗时间越早，康复效果越显著[3] ，重要的是可以减少并发症[4]。而肢体残疾是所有残疾中发生率最高的一种[5]，因此对各种疾病引起的肢体残疾患者采取及时的康复治疗就显得尤为重要。多年来，国内外学者也在不断加强对康复训练方法和训练效果的研究，推动肢体残疾患者康复治疗的发展。

参考文献

References

[1] 范诗琪,严新平,张金奋,等.水上交通事故中人为因素研究综述[J].交通信息与安全,2017,35(2):1-8.

FAN Shiqi,YAN Xinpin,ZHANG Jinfen, et al.A review on human factors in maritime transportation using seafarers′ physiological data[J]. Journal of Transport Information and Safety,2017,35(2):1-8.(in Chinese)

[2] TALLEY W K, JIN D, KITE-POWELL H. Determinants of the severity of cruise vessel accidents[J]. Transportation Research Part D: Transport and Environment,2008,13(2):86-94.

[3] JIN D. The determinants of fishing vessel accident severity[J]. Accident Analysis & Prevention,2014(66):1-7.

[4] YIP T L, JIN D, TALLEY W K. Determinants of inju ries in passenger vessel accidents[J]. Accident Analysis & Prevention,2015(82):112-117.

[5] ZHENG Y, TALLEY W K, JIN D, et al. Crew injuries in container vessel accidents[J]. Maritime Policy & Management,2016,43(5):1-11.

[6] TALLEY W K, JIN D, KITE-POWELL H. Determinants of the damage cost and injury severity of ferry vessel accidents[J]. WMU Journal of Maritime Affairs,2008,7(1):175-188.

[7] WENG J, YANG D. Investigation of shipping acci dent injury severity and mortality[J]. Accident Analysis & Prevention,2015(76):92-101.

[8] LI X, LORD D, ZHANG Y, et al. Predicting motor vehicle crashes using support vector machine models[J]. Accident Analysis & Prevention,2008,40(4):1611-1618.

[9] LI Z, LIU P, WANG W, et al. Using support vector machine models for crash injury severity analysis[J]. Accident Analysis & Prevention,2012,45(2):478-486.

[10] YU R, ABDEL-ATY M. Analyzing crash injury se verity for a mountainous freeway incorporating real-time traffic and weather data[J]. Safety Science,2014,63(4):50-56.

[11] CHEN C, ZHANG G, QIAN Z, et al. Investigating driver injury severity patterns in rollover crashes using support vector machine models[J]. Accident Analysis prevention,2016(90):128.

[12] 孙轶轩,邵春福,岳 昊,等.基于SVM灵敏度的城市交通事故严重程度影响因素分析[J].吉林大学学报(工学版),2014,44(5):1315-1320.

SUN Yixuan, SHAO Chunfu, YUE Hao, et al. Urban traffic accident severity analysis based on sensitivity analysis of support vector machine[J]. Journal of Jilin University(Engineering Edition),2014,44(5):1315-1320. (in Chinese)

[13] 刘鑫鑫.高速公路追尾事故严重程度影响因素分析及预防对策研究[D].长春:吉林大学,2016.

LIU Xinxin. Research on the influencing factors for severity and countermeasures of rear-end accident on freeway[D]. Changchun: Jilin University,2016. (in Chinese)

[14] YUAN F, CHEU R L. Incident detection using support vector machines[J]. Transportation Research Part C: Emerging Technologies,2003,11(3):309-328.

[15] 蒋仲廉,初秀民,严新平.智能水运的发展现状与展望:第十届中国智能交通年会《水路交通智能化论坛》综述[J].交通信息与安全,2015,33(6):1-8.

JIANG Zhonglian,CHU Xiumin,YAN Xinping. Developments and prospects of intelligent water transport: A review of the symposium on intelligent water transport, in conjunction with the 10th Annual Meeting of China ITS[J]. Journal of Transport Information and Safety,2015,33(6):1-8. (in Chinese)

[16] HSU C W, LIN C J. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks,2002,13(4):415-425.

[17] GUYON I. Erratum: Gene selection for cancer classification using support vector machines[J]. Machine Learning,2001,46(3):389-422.

[18] ZHOU X, TUCK D P. MSVM-RFE: Extensions of SVM-RFE for multiclass gene selection on DNA microarray data.[J]. Bioinformatics, 2007,23(9):1106-1114.

[19] YAN K, ZHANG D. Feature selection and analysis on correlated gas sensor data with recursive feature elimination[J]. Sensors & Actuators B: Chemical,2015(212):353-363.