山区高速公路交通事故机理研究

发布时间：2020-08-17 13:22

【摘要】：我国地势西高东低,随着西部山区的发展,山区高速公路里程逐年增长,加之机动车保有量以及机动车驾驶人数的增加,导致了山区高速公路交通事故的频发,由于其特殊的地理位置,往往造成群死群伤的事故后果。因此,对山区高速公路交通事故进行深入研究,探究各影响因素与交通事故之间的内在规律并提出有效的安全管理办法,对于降低交通事故造成的后果具有重要意义。本文通过事后分析总结历史事故中的疏漏和不足,对山区高速公路交通事故展开致因分析,有助于山区高速公路交通运营安全管理决策,促进运营系统的安全运作。基于事故概率的分类模式,提出了基于贝叶斯网络的山区高速公路交通事故概率预测模型,利用各因素与事故等级之间的复杂关系进行建模。主要工作如下:研究分析山区高速公路交通事故影响因素,从人、车、路、环境四个方面分别展开分析,研究其和交通事故之间的相关性,选择西南某省A高速公路近几年的交通事故作为研究对象,提取了16个重要的因素变量,并对其进行离散化处理;通过贝叶斯网络结构学习和参数学习,借助GeNIe软件学习构建山区高速公路交通事故贝叶斯网络,利用K2算法构建基于贝叶斯网络预测模型。通过逆向推理、敏感性分析以及最大致因链分析找出关键影响因素;使用所建立的贝叶斯网络模型预测关键因素对交通事故等级的影响,基于此提出相应的安全管理对策,并分析采取措施后,事故等级相应的变化。
【学位授予单位】：武汉轻工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D631.5
【图文】：

图 2.1 不完备数据下的贝叶斯网络结构学习流程图（2）贝叶斯网络参数参数学习是指在确定贝叶斯网络结构之后，确定每个节点的条件概率。通叶斯网络结构学习之后，具有了完备数据，在此情况下，通常采用最大似然估法获得各个节点的条件概率。最大似然估计的核心思想是将模型参数和数据样本得到的数据进行对比，贝叶斯网络和数据的拟合度，两者之间的相似程度通过似然函数表示。该数值拟合度就越好，其缺点是没有使用到先验概率。将数据样本设置为Ｄ={D1,D2,…，Dn}，给定一个参数 ，称 为 的似 函数，记做：（2. ( │ ) = ( │ )当 D 固定， 在定义域内变动时，此时称 为 的似然函数，当 ( │ ) ( │ 值最大时，对应的 *即为最大似然估计。 2.3.3 贝叶斯网络的推理贝叶斯网络推理是指在结构学习和参数学习之后，通过定性和定量分析，不确定性因素的概率，即概率推理。贝叶斯网络推理模式主要有因果推理、诊理和联合推理。

山区高速公路事故的规律分析1 时间分布规律交通事故的发生与时间有一定的相关性，随着时间的变化，交通量、光线员的心理等都会有相应的变化，因此造成的交通事故量也会有所不同。对 A 高速公路近三年的交通事故的时间进行分析，研究其内在分布规律。（1）月分布对西南某省 A 高速公路 2016 年-2018 年 3 年间事故次数进行统计，综合每和百万辆车事故率，统计结果如图 3.1 所示。由图可知，西南某省 A 高速公路近三年平均百万辆车事故率高的月份是 1及 7 月，分析该高速公路所在位置的特点可知，7 月份正处于雨季，且属游高峰期，因此交通事故高发；1 月和 2 月处于冬季，山区此时天气寒冷冰，不利的道路条件导致车辆行驶条件变差，极易发生事故，因此在这些高发。

图 3.2 西南某省 A 高速公路近三年平均每日交通事故量变化趋势分析图中数据可知，在节假日，该高速公路的交通事故有明显的变化，在 1、4 月、5 月、6 月和 10 月均为较为明显的事故高峰期，这是由于节假日的、清明节、劳动节、端午节、国庆节和中秋节均是在这些高峰期内，节假日规律高速公路 2016 年-2018 年 3 年间交通事故的空间分布进行统计，随着曲率的增加，车辆行驶的转弯半径便会越小，驾驶员此时随之上升。对视距和交通事故之间的关系进行统计分析，得到

【相似文献】

相关期刊论文 前10条

1 王辉,张剑飞,王双成;基于预测能力的贝叶斯网络结构学习[J];东北师大学报(自然科学版);2005年01期

2 王双成;张明;陈乃激;;基于因果语义定向的贝叶斯网络结构学习[J];计算机工程与应用;2007年08期

3 王博;赵志博;多依丽;孙铁;高涵;王志荣;郭品坤;;基于模糊贝叶斯网络的煤气化职业健康风险分析[J];中国安全生产科学技术;2019年08期

4 李显杰;张佑生;李剑飞;;基于量子遗传算法的贝叶斯网络结构学习[J];计算机应用研究;2008年04期

5 刘宝宁;章卫国;李广文;刘小雄;;一种改进遗传算法的贝叶斯网络结构学习[J];西北工业大学学报;2013年05期

6 邸若海;高晓光;;基于限制型粒子群优化的贝叶斯网络结构学习[J];系统工程与电子技术;2011年11期

7 张亮;章兢;;改进遗传优化的贝叶斯网络结构学习[J];计算机系统应用;2011年09期

8 胡春玲;胡学钢;;一种具有缺失数据的贝叶斯网络结构学习方法[J];合肥工业大学学报(自然科学版);2007年04期

9 黄解军,万幼川,潘和平;贝叶斯网络结构学习及其应用研究[J];武汉大学学报(信息科学版);2004年04期

10 王双成;基于结点排序的贝叶斯网络结构学习[J];计算机工程与应用;2005年18期

相关会议论文 前7条

1 管珊珊;张益农;;汽车速度预测技术研究发展[A];中国计算机用户协会网络应用分会2017年第二十一届网络新技术与应用年会论文集[C];2017年

2 方帅;曹洋;王浩;;视频监控中的行为识别[A];2007中国控制与决策学术年会论文集[C];2007年

3 彭铭;张利民;;基于影响图的溃坝临灾决策模型[A];第二届全国工程风险与保险研究学术研讨会暨中国土木工程学会工程风险与保险研究分会第一届第三次全体理事会论文集[C];2012年

4 韩智广;吴玲达;徐建军;栾希道;;一种新的用于视频检索的语义索引[A];第四届和谐人机环境联合学术会议论文集[C];2008年

5 吴荣;聂晓燕;;基于贝叶斯网络的名老中医冠心病辨证规律研究[A];甘肃省中医药学会2009年学术研讨会论文专辑[C];2009年

6 龚谊承;徐一娉;李寿贵;李德宜;;基于Bayes网络和Coupla技术的分布式能源可靠性分析与模拟[A];中国系统工程学会第十八届学术年会论文集——A07社会发展过程中的复杂系统问题[C];2014年

7 刘宇;王yN;郭亮;冉猛;王鹏;;基于贝叶斯网络的城市污水处理系统故障诊断模型建立与应用[A];2013中国环境科学学会学术年会论文集（第四卷）[C];2013年

相关博士学位论文 前10条

1 贾江鸣;面向不确定性的供应链性能优化技术研究[D];浙江大学;2008年

2 吕苗;基于情境的商品个性化推荐方法研究[D];大连理工大学;2015年

3 易静蓉;制造系统协调度综合评价与调控方法研究[D];华南理工大学;2011年

4 王平涛;基于连续时间贝叶斯网络的可信软件风险预测研究[D];南京大学;2012年

5 魏勇;尾矿坝漫顶溃坝砂流演进数值模拟与风险评价[D];东北大学;2011年

6 李道全;电子商务信任管理模型与方法研究[D];山东科技大学;2011年

7 曾琳;区域发展对生态系统的影响分析模型及其应用[D];清华大学;2015年

8 杜瑞杰;贝叶斯分类器及其应用研究[D];上海大学;2012年

9 王健;基于隐私保护的数据挖掘若干关键技术研究[D];东华大学;2011年

10 张亚东;高速铁路列车运行控制系统安全风险辨识及分析研究[D];西南交通大学;2013年

相关硕士学位论文 前10条

1 李婷;山区高速公路交通事故机理研究[D];武汉轻工大学;2019年

2 李子木;基于机器学习的金融风控模型和算法研究[D];北方工业大学;2019年

3 文思敏;飞机过站时间可预测性研究[D];中国民航大学;2017年

4 蒋望东;基于遗传算法的贝叶斯分类器结构学习研究[D];广西师范大学;2005年

5 王秀芳;具有隐变量的贝叶斯网络结构学习研究[D];合肥工业大学;2012年

6 钟明君;高维因果网与高校资产管理的模糊推理研究[D];华南理工大学;2016年

7 吴杨;基于信息论的二阶树增广贝叶斯模型的研究与设计[D];吉林大学;2016年

8 李玮玮;贝叶斯网络结构学习方法的研究[D];南京航空航天大学;2009年

9 周扬;面向轻度认知功能障碍诊断的本体不确定性推理建模方法研究[D];兰州大学;2014年

10 黄甫;领域知识的不确定性推理研究[D];昆明理工大学;2011年

本文编号：2795377