面向交通事件持续时间预测的贝叶斯网络建模研究

摘要

交通事件是引发道路交通拥堵的主要因素之一，通过实时交通诱导等手段可以降低其对交通运行造成的影响，而及时准确地预测事件持续时间则是实现有效管控的前提条件。
　　为探究影响事件持续时间因素之间的关系，构建更加科学的预测模型，本论文在国内外研究现状的基础上，构建了以ACOS算法为核心的贝叶斯网络预测模型，该模型基于MIT打分函数，融合自上而下的网络生长规则，引入蚁群并行算法进行全局结构搜索，增加节点随机选择机制及局部结构概率选择模式，保证结构空间的多样性，实现搜索效率的提高。
　　根据贝叶斯网络模型参数，进一步将节点内部机理引入至贝叶斯决策树中，构建以BNDT算法为核心的改进贝叶斯决策树模型，该模型在CART算法的基础上，通过添加节点判别规则启动类别判定机制，融合朴素贝叶斯理论与贝叶斯网络推断方法，考虑属性节点间的依赖关系，以更加贴近实际情况。
　　结合荷兰交通部门的交通事件数据对上述模型进行实证分析，揭示交通事件持续时间的影响机理，并进行结构化和定量表达，得到的贝叶斯网络预测模型的准确率在数据完备与缺失下分别为76.97％和93.23％，平均预测精度达87.82％。以误差20分钟为可接受的预测精度，贝叶斯分类模型在信息完备与缺失下的准确率为64.85％和63.64％。改进的贝叶斯决策树模型能够给出每个分枝的平均事件持续时间，在数据完备的情况下，满足预测精度的事件达77％;在不同的信息缺失程度下，满足预测精度的事件最低占70％。实证分析结果表明，贝叶斯网络模型以及改进贝叶斯决策树模型，均能有效的对交通事件持续时间做出预测。

目录

声明

致谢

摘要

序言

图目录

表目录

1 绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 国内外研究综述

1．3 研究目的及内容

1．3．1 研究目的

1．3．2 研究内容

1．4 技术路线及组织结构

1．4．1 技术路线

1．4．2 组织结构

2 贝叶斯网络模型研究基础

2．1 贝叶斯网络建模方法

2．2 贝叶斯网络优化算法

2．3 贝叶斯决策树预测模型

2．4 贝叶斯网络理论基础

2．4．1 信息论基础

2．4．2 卡方分布

2．4．3 网络结构

2．4．4 有向图邻接矩阵

2．5 本章小结

3 基于ACOS算法的贝叶斯网络模型

3．1 BN网结构学习

3．1．1 MIT评分函数

3．1．2 网络生长规则

3．2 ACOS搜索算法

3．2．1 模型构建思路

3．2．2 ACOS参数

3．2．3 ACOS算法

3．3 BN网模型预测

3．3．1 BN预测模型构建

3．3．2 BN分类模型构建

3．3．3 BN推断模型构建

3．4 本章小结

4 引入BN节点的贝叶斯决策树模型

4．1 决策树模型构建

4．1．1 分裂规则

4．1．2 终止规则

4．1．3 剪枝规则

4．1．4 CART算法

4．2 贝叶斯节点优化

4．2．1 朴素贝叶斯节点

4．2．2 贝叶斯网络节点

4．2．3 节点分类

4．3 BNDT模型构建

4．3．1 模型构建思路

4．3．2 属性节点判别规则

4．3．3 BN节点分类规则

4．3．4 B节点分类规则

4．4 本章小结

5 交通事件持续时间预测模型

5．1 交通事件持续时间数据描述

5．1．1 数据来源

5．1．2 数据描述

5．2 交通事件持续时间的贝叶斯网络模型

5．2．1 数据分类区间

5．2．2 模型构建结果

5．2．3 影响因素内部机理

5．2．4 事件持续时间影响因素分析

5．3 交通事件持续时间预测的贝叶斯网络模型

5．3．1 BN预测模型构建

5．3．2 BN分类模型构建

5．3．3 BN预测结果分析

5．4 交通事件持续时间预测的BNDT模型构建

5．4．1 数据统计

5．4．2 BNDT模型构建

5．4．3 BNDT模型检验

5．4．4 各类模型比较分析

5．5 本章小结

6 结论与展望

6．1 研究结论

6．2 研究创新点

6．3 研究展望

参考文献

附录

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集