贝叶斯网络的因果关系分析方法使用Netica交通事故

文摘

基于全面考虑影响道路安全评价的因素,基于概率风险分析的贝叶斯网络理论应用于交通事故的因果关系分析。通过在南澳大利亚阿德莱德中央商务区(CBD)为例,建立了贝叶斯网络结构通过整合K2算法与专家的知识,采用算法,可以处理缺失数据采用Netica进行参数学习,从而建立贝叶斯网络模型对交通事故的因果关系分析。然后Netica被用来进行后验概率推理,最可能的解释,和推理分析。结果表明,贝叶斯网络模型可以有效地探索复杂的逻辑关系在交通事故和表达相关变量之间的不确定关系。模型不仅可以定量地预测事故的概率在某些道路交通条件也可以找到关键原因和最不利的状态组合导致事故的发生。这项研究的结果可以为城市道路管理当局提供理论支持彻底分析交通事故的诱导因素,然后建立基础在改善城市道路交通系统的安全性能。

1。介绍

城市发展的扩张和车辆所有权的飙升,城市旅行变得容易受到三个“慢性病”拥堵、事故,和污染。在上述三个,事故已经被认定为最消极的方面,特别是在中央商务区(CBD)。根据全球道路安全行动十年计划2011 - 2020由联合国道路安全合作在2011年,将近130万人死于道路交通碰撞的结果是每年,这意味着每天超过3000人死亡。和20到5000万多的人持续从碰撞非致命的伤害,而这些伤害是一个全球残疾的重要原因。在澳大利亚也以惊人的水平;大约有25人死亡,700人重伤,每周和纳税人成本超过320亿美元(1]。除非立即采取有效的行动,道路交通伤害是预测,成为世界上第五大死因。因此,分析和评估交通事故影响因素,评估潜在的安全隐患,提前和选择适当的措施,以减少交通事故的频率和严重程度,是道路安全工程中重要的研究课题。

先前的研究表明,交通事故有很多原因;这些原因可能是相互连贯的,,例如,贫穷的道路平面图和意想不到的车辆组成或行为可能导致道路使用者的困惑,这可能会导致交通事故。然而,许多交通事故官方记录显示,大部分的崩溃只是指出,单一的原因,尤其是人为错误。例如,根据事故原因调查由美国国家公路交通安全管理局(NHTSA) 2015年(2,3),司机要批评了事故情况下的94%。显然,此类事故的94%也从共同经历相关的其他原因,如公路对齐(4- - - - - -6,交通标志7- - - - - -9),和天气条件(10- - - - - -12]。因此,现有的交通事故统计数据不能完全揭示原因,工程师和道路基础设施和交通事故的设计师提供有限信息机制和制定改进计划。充分利用是非常重要的交通事故统计数据和我的潜在信息提供一个基础分析机制和改善道路安全的事故。

贝叶斯网络是一种有效的方法在人工智能领域的表达不确定性分析和概率推理的一个系统。它可以利用模型中根据当地条件的依赖关系进行双向预测不确定性的调查,分类,和诊断分析。目前,有一些软件平台可用于构建贝叶斯网络,如贝叶斯网络工具箱(BNT) BayesBuilder, JavaBayes,开发的基于matlab的BNT墨菲(13)是广泛使用的。这个工具箱提供了大量的潜在的贝叶斯网络学习的基本函数库,但它不将贝叶斯网络学习的基本功能集成到一个系统。此外,BNT没有图形用户界面(GUI),这是不友好的,也不能通用。Netica是一个贝叶斯网络学习软件开发的Norsys软件公司在加拿大,已广泛应用于不确定性管理等业务,工程,医学,与生态14- - - - - -16)由于其强大的功能,友好的GUI,可靠的计算,和良好的性能。在本文中,使用贝叶斯网络模型是制定交通事故的研究,然后一个贝叶斯网络学习过程,后验概率推理,最可能的解释,并使用Netica推论进行了分析。

本文的组织结构如下:部分2回顾了相关文献对交通事故的因果关系分析;部分3描述了构建贝叶斯网络模型;部分4在贝叶斯网络模型应用程序提供了一个案例研究在南澳大利亚阿德莱德中央商务区(CBD);总结了本研究的结果部分5。

2。文献综述

使用因果关系理论的交通事故分析旨在提取事故机制和事故模型从大量典型事故提供理论依据定性和定量分析,预测和预防事故的发生,提高安全管理。世界各地的学者已经做了一些研究在交通事故因果关系分析和不同的数据源,变量、样本大小、和分析模型,如聚合模型包括频率分析(17- - - - - -19),测试(20.,21]。

的分类模型,为交通事故的频率是一种负的,离散的,和异常的频率分布和基于经验事故遵循泊松分布,泊松回归模型可以应用于分析每个风险因素的影响事故的频率(22]。负二项分布回归基于泊松分布,但其规范误差服从伽马分布。负二项回归模型已经广泛应用于交通安全分析模型(23- - - - - -27]。然而,假设泊松分布的均值等于方差往往与现实不符。在纵向数据的分析样本,采用泊松回归模型和负二项回归模型可能会产生偏差估计,甚至不正确的结果。当解释变量只取有限多个离散值,建立了回归模型是一个离散选择模型,其中Logit模型是最早的离散选择模型,是一种广泛使用的模型(28- - - - - -31日]。适用的统计模型,研究对象是需要独立的分布;而安全数据有一个复杂的空间分布,安全水平评估的准确性和鲁棒性将大大影响是否被忽视的空间特性。

通过现有文献的回顾,它已经发现,过去研究的因果关系分析交通事故逐渐演变的简单描述性分析基于聚合模型多变量复杂的基于分类模型的建模分析。然而,现有研究的不足之处是:在事故影响因素没有充分考虑;大多数都是基于特定的,孤立的,肤浅的单因素分析中,只考虑主要的影响因素。这些研究揭示了固有的规则,事故的发生在一个方面或事故但忽略多重空间的关系和他们的相关性,这样复杂的逻辑关系原因,事故发生和事故后果没有反映。因此,研究方法和分析技术通常不适用。虽然一些学者使用决策树(26,32,33),贝叶斯网络(34- - - - - -36),和其他复杂系统研究事故原因,之间的关系的理论系统和相关支持技术还没有系统地建立。

3所示。贝叶斯网络模型的建设

3.1。贝叶斯网络的基本原则

贝叶斯网络,也被称为信念网络,被认为是最有效的理论模型之一领域的不确定性知识表示和推理。组成的,这是一个有向无环网络拓扑节点集和导演,和每个节点表示一个变量的状态,而导演边表示变量之间的依赖。变量之间的相关性内涵或置信系数是描述使用条件概率表(CPT)。预测、诊断、分类和其他任务可以通过使用学习和统计推断函数的贝叶斯定理。贝叶斯网络使用概率来表示所有形式的不确定性,并使用概率规则实现学习和推理的过程。它有以下关系: 一组变量贝叶斯网络由以下组件(37]是一个网络结构,表示变量集的条件独立的断言 , 是一组本地与每个变量相关的概率分布,表示变量节点,和表示的父节点在。

和定义的联合概率分布。是一个有向无环图(DAG),每个节点在吗对应于一个变量(图1)。默认节点之间的弧表示条件独立。

使用来表示当地的概率分布(1),即产品项 ;二元组表示联合概率分布。

贝叶斯网络的建设主要包括以下步骤:(1)结构学习:确定相关因素变量(节点)研究对象,然后确定节点之间的依赖或独立的关系,以建立一个有向无环网络结构(2)根据给定的参数学习:贝叶斯网络结构,学习每个节点的条件概率表(CPT)的贝叶斯网络模型

3.2。结构学习

的网络结构和数据集可用于确定参数,结构学习是贝叶斯网络学习的基础和有效的结构学习是构建最优网络结构的关键。

贝叶斯网络结构的建设包括以下3点:(1)基于专家经验和知识之前,确定贝叶斯网络的变量节点,以确定贝叶斯网络的结构。(2)通过学习样本数据,自动获得贝叶斯网络结构,利用机器学习算法。(3)基于专家经验和机器学习的数据,获得贝叶斯网络结构,采用数据融合方法。

作为第三点结合专家经验和机器学习的优点和避免的缺点只使用一种方法来确定贝叶斯网络结构,在本文中,第三种方法来确定贝叶斯网络结构的因果关系分析交通事故就会被使用。获得常见的机器学习方法包括K2算法,算法和爬山算法。K2算法是基于得分函数和爬山算法,在基本原则:从空网络,根据预定义的命令的节点,选择后验概率最大的节点作为父节点的节点,按顺序遍历所有节点,并逐步优化父节点添加到每个变量。K2算法使用后验概率作为得分函数,描述如下: 在哪里是一组变量。网络结构。图中节点的数量。配置(州)的父母吗节点。是相互排斥的状态吗节点。的实例节点的国家当其父母在他们th配置和。的hyperparameters狄利克雷分布和对应的先验概率分布承担其而其父母在th状态配置。。γ函数满足和。

K2算法使用一个变量和一个正整数限制搜索空间,寻求最优模型满足以下两个条件:(1)父亲的任何变量节点的数量不应大于和(2)是一个拓扑的顺序。采用贪婪搜索策略,然而,随着K2算法容易陷入局部最优解和不能保证网络获得最优网络,专家的知识和经验需要集成,以获得最优网络结构。本文结合专家经验和K2的贝叶斯网络结构学习算法将执行道路交通事故的因果关系分析。

3.3。参数学习

确定贝叶斯网络的拓扑结构后,可以执行贝叶斯网络的参数学习。收集交通事故信息的过程中,经常出现缺失的数据由于种种原因,例如,记录仪器故障和混乱的受访者在回答问题。大多数统计模型不能直接分析数据缺失值,在任何缺失的值的情况下,记录缺失的值通常是直接淘汰,确保统计模型可以正确安装。如果缺失值少,这并不会大大影响结果如果缺失值的记录是直接淘汰。然而,如果进行多变量分析,将研究更多的变量,这就意味着更多的记录将被淘汰;它可能会导致信息丢失,减少测试的能力,会导致一些偏见研究成果(38]。

采用(EM)算法是一个渐近确定性估计未知参数的方法缺失的数据。它可以用来执行最大似然估计的参数不完整的数据集,这是一个实用的学习算法(39]。EM算法可以广泛用于处理不完整数据,如缺失数据和审查数据。EM算法主要包括两个步骤:步骤(期望一步一步)和最大化步骤(一步一步)。算法描述如下。

(1)初始化 。设置精度和调整值估计的价值。 (2) - - - - - -一步。计算预期的足够数据的缺失值。

的概率分布是在哪里充分统计量是在哪里的概率分布条件下,和是已知的, 的联合分布是吗和 , 是th变量,计算所有可能的联合实例化吗和用和 ,分别。

(3) - - - - - -一步。计算新的最大似然(ML)或最大后验(MAP)的值在给定的条件下。

在采用,我们有以下:ML: 地图: 在哪里是边界条件参数,可以通过迭代的过程吗一步一步,一步一步。

要用于计算的预期充分统计量 ,和一步一步是用来进行新的学习参数估计通过使用获得的数据一步一步。摘要贝叶斯网络参数学习的道路交通事故是由在Netica使用EM算法。

4所示。案例研究

4.1。研究区和数据来源

在南澳大利亚阿德莱德中央商务区(CBD)被选中为研究案例,因为它吸引了22%的城市阿德莱德的工作旅行40),第一个和第二个最危险的事故集中西部地区北阳台和露台的CBD (41]。

南澳大利亚从2006年到2008年的事故数据提供部门的规划、交通和基础设施(DPTI)和ArcGIS 10.5软件用于定位精确的失事地点如图2。

4.2。变量选择和数据预处理

利用ArcGIS 10.5, 1558年和756年的交通事故数据集阿德莱德CBD从2006 - 2007年和2008年,分别。从2006年到2007年的统计数据将用于建设的贝叶斯网络模型和校准,和2008年的统计数据将用于模型验证过程。

先前的研究[33,42- - - - - -45)提供了一些深入的见解指导变量选择、离散化,和分类研究。因此,14个变量选择的数据集“重大影响”,“事故类型,”“司机的明显错误,”“道路几何,”车辆类型,和其他人,如表所示1。然而,根据统计结果表1,可以看出“注意力不集中”的比例达到39.84%,这是最大的因素“司机的明显错误”类别。在我们的日常生活中,“注意力不集中”解释为“未能给予关注,或疏忽。“一般情况下,这样的使用相当方便记录的目的;然而,从心理学和生理学的角度来看,使用不清楚和明确。还有很多其他的原因,可能是交通事故背后,如人为因素(司机的身体和精神状态,知识和技能,和操作方法),客观因素(车辆、道路和道路设施)和安全管理。如果以上因素简单地概括为“注意力不集中”,那么交通事故的原因非常简单。和预防措施将很难发展。因此,在本研究中,“注意力不集中”的因素将被排除在外,和所有变量用于建模如表所示2。


变量类	变量名	离散化的价值	值描述	频率	百分比

司机	明显的错误	1	无法忍受	307年	13.25%
		2	变换车道危害	221年	9.54%
		3	错误的把	31日	1.34%
		4	反向没有给予应有的照顾	92年	3.97%
		5	遵循过于密切	173年	7.47%
		6	超越没有给予应有的照顾	52	2.24%
		7	违反交通信号灯	171年	7.38%
		8	违反停车标志	23	0.99%
		9	违反让路标志	47	2.03%
		10	注意力不集中	923年	39.84%
		11	酒后驾车	23	0.99%
		12	不能让步	254年	10.96%

路	道路几何	1	横路	1116年	48.17%
		2	Y结	57	2.46%
		3	T结	450年	19.42%
		4	多个	33	1.42%
		5	分裂的道路	349年	15.06%
		6	不分裂	294年	12.69%
		7	人行横道	18	0.78%
	路水分条件	1	湿	237年	10.23%
	路水分条件	2	干	2080年	89.77%
	交通管制	1	交通信号	1282年	55.33%
		2	停车标志	42	1.81%
		3	让路标志	118年	5.09%
		4	无法控制	875年	37.76%

环境	天气条件	1	下雨	151年	6.52%
	天气条件	2	不下雨	2166年	93.48%
	光条件	1	日光	1716年	74.06%
	光条件	2	晚上	601年	25.94%

车辆	车辆类型	1	重	172年	7.42%
		2	媒介	901年	38.89%
		3	光	1244年	53.69%
	车辆运动	1	右转	426年	18.39%
		2	左转	95年	4.10%
		3	掉头	122年	5.27%
		4	迂回	242年	10.44%
		5	扭转	77年	3.32%
		6	直走	1238年	53.43%
		7	进入私人车道上	15	0.65%
		8	离开私人车道上	50	2.16%
		9	右边是超越	39	1.68%
		10	超越左	13	0.56%

交通事故	事故类型	1	屁股	1010年	43.59%
		2	达到固定的物体	59	2.55%
		3	侧刷	392年	16.92%
		4	直角	377年	16.27%
		5	头	5	0.22%
		6	撞到行人	50	2.16%
		7	右转	333年	14.37%
		8	打击停放的车辆	91年	3.93%
	事故严重程度	1	PDO(仅财产损失)	1748年	75.44%
	事故严重程度	2	受伤	569年	24.56%
	总单位(参与交通事故)	1	两个单位	2012年	86.84%
		2	三个单位	258年	11.14%
		3	四个单元	40	1.73%
		4	五个单元	7	0.30%
	总伤亡(死亡和治疗受伤)	1	没有一个	1748年	75.44%
		2	一个受害者	495年	21.36%
		3	两个伤亡	62年	2.68%
		4	三个人员伤亡	12	0.52%
	总重伤	1	没有一个	2267年	97.84%
	总重伤	2	一个严重受伤	50	2.16%
	估计总损失(美元)	1	[0,5000)	1139年	49.16%
		2	(5000,10000)	795年	34.31%
		3	(10000年,+∞)	383年	16.53%


变量类	变量名	离散化的价值	值描述	频率	百分比

司机	明显的错误	1	无法忍受	199年	21.47%
		2	变换车道危害	141年	15.21%
		3	错误的把	24	2.59%
		4	反向没有给予应有的照顾	61年	6.58%
		5	遵循过于密切	119年	12.84%
		6	超越没有给予应有的照顾	35	3.78%
		7	违反交通信号灯	115年	12.41%
		8	违反停车标志	18	1.94%
		9	违反让路标志	27	2.91%
		10	酒后驾车	9	0.97%
		11	不能让步	179年	19.31%

路	道路几何	1	横路	454年	48.98%
		2	Y结	11	1.19%
		3	T结	196年	21.14%
		4	多个	13	1.40%
		5	分裂的道路	132年	14.24%
		6	不分裂	121年	13.05%
	路水分条件	1	湿	One hundred.	10.79%
	路水分条件	2	干	827年	89.21%
	交通管制	1	交通信号	477年	51.46%
		2	停车标志	27	2.91%
		3	让路标志	56	6.04%
		4	无法控制	367年	39.59%

环境	天气条件	1	下雨	65年	7.01%
	天气条件	2	不下雨	862年	92.99%
	光条件	1	日光	677年	73.03%
	光条件	2	晚上	250年	26.97%

车辆	车辆类型	1	重	63年	6.80%
		2	媒介	379年	40.88%
		3	光	485年	52.32%
	车辆运动	1	右转	267年	28.80%
		2	左转	41	4.42%
		3	掉头	79年	8.52%
		4	迂回	137年	14.78%
		5	扭转	52	5.61%
		6	直走	275年	29.67%
		7	进入私人车道上	10	1.08%
		8	离开私人车道上	31日	3.34%
		9	右边是超越	25	2.70%
		10	超越左	10	1.08%

交通事故	事故类型	1	屁股	155年	16.72%
		2	达到固定的物体	4	0.43%
		3	侧刷	255年	27.51%
		4	直角	258年	27.83%
		5	头	3	0.32%
		6	撞到行人	22	2.37%
		7	右转	216年	23.30%
		8	打击停放的车辆	14	1.51%
	事故严重程度	1	PDO(仅财产损失)	689年	74.33%
	事故严重程度	2	受伤	238年	25.67%
	总单位(参与交通事故)	1	两个单位	860年	92.77%
		2	三个单位	54	5.83%
		3	四个单元	9	0.97%
		4	五个单元	4	0.43%
	总伤亡(死亡和治疗受伤)	1	没有一个	689年	74.33%
		2	一个受害者	213年	22.98%
		3	两个伤亡	21	2.27%
		4	三个人员伤亡	4	0.43%
	总重伤	1	没有一个	904年	97.52%
	总重伤	2	一个严重受伤	23	2.48%
	估计总损失(美元)	1	[0,5000)	423年	45.63%
		2	(5000,10000)	342年	36.89%
		3	(10000年,+∞)	162年	17.48%

贝叶斯网络可以用于处理连续变量和离散变量。显然为交通事故的分类结果变量的离散特性,采用离散变量的贝叶斯网络分析道路交通事故。结构学习之前,必须进行离散化处理交通事故变量。处理变量的离散值和价值描述如表所示2。

4.3。结构学习

本文的方法结合K2算法和专家的知识是用来制定贝叶斯网络结构。基于K2算法,利用FullBNT-1.0.7通过MATLAB进行结构学习。通过重复的变量选择和测序专家,贝叶斯网络结构终于发达,如图3。网络是由14个节点和几行。14节点指的是14变量,这些节点之间表示变量之间的关系。

从图可以看出3一些交通事故变量显示清晰的层次关系影响他人和被他人影响。交通事故的结果从变量的交互”交通参与者、车辆、道路和环境,“充分反映的贝叶斯网络结构。例如,“车辆运动”影响“道路几何”和“司机的明显错误,但它也能影响“总单位参与”在同一时间。交通事故的实际情况可以充分体现交互性层次关系变量的贝叶斯网络。

4.4。参数学习

一旦形成一个贝叶斯网络结构,可以进行参数学习。贝叶斯网络结构可以在Netica创建,然后可以进行参数学习,从而获得节点的条件概率分布。最后,交通事故因果关系的贝叶斯网络模型分析可以确定,如图4。

4.5。模型校准和验证

验证参数的贝叶斯网络模型的学习精度和预测精度,灵敏度分析是用来识别敏感因素对目标节点产生重大影响的不确定因素,然后目标节点设置为证据变量进行模型拟合和预测这些敏感的因素。

4.5.1。敏感性分析

在贝叶斯网络的灵敏度分析是指分析影响和影响程度的多种原因(节点)的结果(目标节点)。基于灵敏度分析,相对更大贡献的基本事件重要的事件的概率可以决心促进减少这些基本事件的发生概率,采取有效措施,这样重要的事件的概率会减少。

Netica的灵敏度分析功能可以用来确定哪些因素更重要的安全管理值分析交通事故。在Netica,选择目标节点,然后分析影响其他节点到目标节点的度降序排列。以节点“崩溃式”为例,进行敏感性分析,结果如表所示3。


节点	共同的信息	百分比	方差的信念

事故类型	2.82978	One hundred.	0.7195390
司机的明显错误	0.57217	20.2	0.0869963
车辆运动	0.33948	12	0.0351281
总伤亡人数	0.21563	7.62	0.0057073
事故严重程度	0.17897	6.32	0.0037534
道路几何	0.04044	1.43	0.0008944
总重伤	0.01888	0.667	0.0004707
交通管制	0.01125	0.398	0.0001573
路水分条件	0.00503	0.178	0.0001027
光条件	0.00417	0.147	0.0000915
估计总损失	0.00407	0.144	0.0000533
总单位涉及	0.00394	0.139	0.0002397
天气条件	0.00313	0.111	0.0000638
车辆类型	0.00000	0.000	0.0000000

互信息是指直接或间接信息流量和测量节点之间的依赖程度。换句话说,两个节点之间的互信息可以表明,如果两个节点相互依赖,如果是他们的关系是多么密切46]。如表所示3,可以看出双方信息(= 0.57217)的节点“司机的明显错误”是最大的,这意味着它有最强的影响“事故类型,其次是“车辆运动”和“道路几何”的共同信息= 0.33948和0.04044,分别。

4.5.2。模型拟合和预测

基于灵敏度分析的结果“事故类型,后验概率的“司机的明显错误,”“车辆运动”和“道路几何”得到的贝叶斯网络与实际计算比较从2006年到2007年和2008年,分别。由于大量的数据,“屁股”“崩溃式”的参数学习结果用于例证的解释。

数据5,6,7显示后,实际概率分布的“司机的明显错误,”“车辆运动”和“道路几何,”分别,当证据变量是“屁股。“与实际计算结果从2006年到2007年,最大的平均绝对误差(MAE)的贝叶斯网络模型是5.58%。同样,与2008年的实际计算结果相比,最大的美是6.14%,这表明贝叶斯网络模型具有较高的拟合精度和预测精度高。因此,它是可行的,使用贝叶斯网络模型进行预测和推论结果分析每个变量的相应的交通事故。

4.6。贝叶斯网络模型的应用

4.6.1。后验概率推理

贝叶斯网络模型可以用来执行概率推理,包括后验概率计算。准确地说,它的目标是计算后验概率的目标节点,控制影响程度的确定感兴趣的特定节点的节点,预测事故发生的可能性,并分析重大事故源条件下确定的特定节点。简而言之,后验概率推断结果从因果推断原因的结果被称为事故预测和因果推论,分别。

(1)事故预测。图8事故预测假设一个司机开车时“违背红绿灯”在阿德莱德CBD。输入变量的证据(“交通信号”和“违反交通信号灯”)从这种情况下的贝叶斯网络,因此它成为一个问题来解决其他节点的后验概率,与已知的一些证据的状态变量。

在Netica,设置“交通信号灯的状态和“违反交通信号灯”100%;也就是说,确定证据的状态变量。然后更新整个网络的概率;相关节点的概率变化,即“崩溃式”的概率变化和其他节点,可以观察到。在这种情况下,“直角”的概率发现“崩溃式”从最初的16.6%增加至58.0%。这表明,如果司机“违背交通灯,”“直角”的概率将大大增加。

如图9除了“违反交通信号灯”,认为开车时间是晚上;即“夜”的地位在“条件”是设置为100%。后自动更新整个网络的概率,发现“直角”的概率是进一步增加从58.0%提高到59.4%,这意味着“直角”交通事故的概率较高。更进一步,认为这也是一个雨夜(即“下雨”的地位在“天气条件”为100%)。根据图10再次,它可以发现“直角”的可能性进一步增加从59.4%降至63.3%。这表明,“司机的明显错误,”“光条件,”和“天气条件”都将影响“直角”不同程度的概率。因此,它可以发现证据节点变量的状态更改会影响查询节点的概率,这是符合工程实践。

(2)因果推论。的另一个重要应用贝叶斯网络的故障诊断系统。贝叶斯网络的双向推理技术不仅可以计算结合断层条件下系统故障的概率也不同组件的后验概率系统故障条件下,很容易找出最可能的组合,系统故障引起的,从而使计算分析更直观和灵活。

进行因果推论的“刷卡”在“崩溃式”为例。在这种情况下,证据变量”刷卡,“所以它的状态概率是100%。如图11输入证据后,“改变车道危害”的概率在“司机的明显错误”大大增加从15.2%到46.7%通过Netica的自动更新功能。和“迂回”的概率在“车辆运动”也从15.5%增加到44.9%,而达到最大的概率。这表明,在没有其他证据,“刷”的最可能的原因是“迂回”(车辆)引起的“危及变换车道”(司机)。

4.6.2。最可能的解释

贝叶斯网络模型可以用来制造最可能的解释,准确地说,从集多种原因(节点状态),可能会导致一个结论;使用Netica来确定一组最可能导致的结果,并与最大似然这组将最有可能的解释。

在“刷”的例子如图12,使用“最可能的解释”功能在Netica找出最可能的原因,如图12,最可能的解释原因(节点状态)的“刷卡”(横路、变更车道危害、迂回,白天,不下雨,干燥,交通信号)。它明确表明,最可能的解释和因果推论是高度一致的证据变量时刷卡,和一组也符合工程实践。

4.7。推理分析事故的基于“重伤”和“总估计损失”

应用Netica解决贝叶斯网络模型的后验概率推理问题,最大后验假设问题,最可能的解释的问题凸显了贝叶斯网络的推理能力模型。进一步分析导致交通事故的因素,特别是严重的交通事故,贝叶斯网络模型是用来计算的概率“重伤”和“总估计损失超过10000澳元”的影响下,“司机的明显错误,”“道路几何,”“天气条件,”“光条件,”和“事故类型,分别。结果如表所示4。


变量类	变量名	严重伤害/ %	估计总损失(≥10000 AUD) / %

司机的明显错误	无法忍受	3.54	17.5
	变换车道危害	2.83	17.5
	错误的把	3.61	17.1
	反向没有给予应有的照顾	4.03	17.9
	遵循过于密切	3.91	20.0
	超越没有给予应有的照顾	3.36	18.7
	违反交通信号灯	4.15	19.4
	违反停车标志	4.81	19.5
	违反让路标志	4.68	18.9
	酒后驾车	5.17	20.4
	不能让步	3.91	17.2

道路几何	横路	4.47	19.6
	Y结	3.69	18.2
	T结	3.27	18.0
	多个	4.17	18.4
	分裂的道路	4.05	18.1
	不分裂	4.12	18.3

天气条件	下雨	4.22	18.4
天气条件	不下雨	3.69	18.1

光条件	日光	3.65	18.1
光条件	晚上	3.93	18.2

事故类型	屁股	3.40	19.0
	达到固定的物体	2.76	17.4
	侧刷	1.20	16.9
	直角	2.48	17.6
	头	15.4	26.0
	撞到行人	9.37	18.6
	右转	2.93	17.2
	打击停放的车辆	0.34	16.9

4.7.1。司机的明显错误

表中给出的结果4表明“影响下驾驶”(对话)将最有可能造成严重的伤害和财产损失,因为酒后驾车更容易导致危险行为包括超速、不戴安全带,鲁莽的或不稳定的驱动。根据推理结果,酒后驾车是最可能导致交叉道路上交通事故的推理概率为49.0%。至于事故类型,后端和正面碰撞的概率推理两个最高(分别地。、15.6%和15.4%)。在先前的研究中,在所有的交通事故由酒后驾车引起的,放纵的人死亡的可能性是女性的4.70倍或4.66倍比克制人受伤(47]。此外,酒后驾车显示弱控制车辆的能力,和血液中乙醇含量越高,越高概率,他们将有违法行为前面提到的48),更有可能造成严重的交通事故和重大人员伤亡和财产损失。

4.7.2。道路几何

交叉口是道路系统的重要组成部分,网络中潜在的最危险的位置。之前的研究表明,十字路口,特别是交叉道路,有更高的碰撞率和更大的碰撞严重程度,尤其是在城市地区(49- - - - - -51]。如表所示4最危险的“几何”在阿德莱德CBD也“十字路口”,这意味着造成严重伤害的概率和大量的财产损失在“十字路口”都是最大的。根据事故记录在阿德莱德CBD,交叉道路造成严重的交通事故,有两个主要事故类型,“直角”和“右转”,分别占44.35%和42.61%,而“无法忍受”和“违反交通信号灯”成为交通事故的两个主要原因造成在十字架道路,分别占38.26%和34.78%。

4.7.3。天气条件

降雨不仅会降低驾驶员的视觉搜索的有效性(12),但也降低了摩擦系数的道路,使道路湿滑,制动距离大大增加,从而导致交通事故的可能性。澳大利亚墨尔本的研究由Keay和西蒙兹(10)发现,降雨量是最强的因素相关气象参数和它在冬天和春天有最大的影响。Keay和西蒙兹52]还发现一个影响参数,这是雨的滞后效应。西蒙斯和佩里53发现潮湿的道路或下雨是增加交通事故的概率,可以达到70%。类似地,秋和尼克松11发现雨可以增加撞车率71%,受伤率49%。这符合本研究的结果发现,这表明,降雨与交通事故有关,有严重的伤害和重大财产损失。

4.7.4。光条件(城市热岛)

传统的沥青路面可以吸收和贮存大量的白天热,晚上不断输出到外部热环境,这将导致外部环境温度的增加,导致城市热岛(热岛)。热岛对道路耐久性和安全性可能会有一些影响,如加速老化沥青路面高温车辙和加剧道路可能会导致交通事故。随着城市规模的不断扩大,这种小气候变化的综合现象将越来越明显54]。阿德莱德是澳大利亚的主要城市之一,也是影响热岛[55]。从车辆和温度调节和废热热岛震级的建筑是一个重要的决定因素,阿德莱德CBD,最大的交通网络密度和最多的建筑,已成为热岛的中心。如表所示4晚上,交通事故发生的数量比白日更大比例的55.56%。热岛的影响下Jusuf et al。56)发现,在夜间,商业区域环境温度最高的四种土地利用类型(商业、住宅、工业、机场)。同样,帕克(57)还发现,城市热岛是最强的晚上在高楼城市中心。因此,交通事故和夜间热岛之间的相关分析是一个潜在的研究方向。

4.7.5。事故类型

正面碰撞事故是最严重的类型和道路安全部门十分关注的(58]。例如,国家公路交通安全管理局于2015年的年度报告显示,正面碰撞只占事故总量的2.3%;然而,他们占9.6%致命的崩溃。如表所示4,无论“严重伤害”或“财产损失超过10000澳元,”“正面”崩溃的可能性总是首先和主要是高于其他类型的交通事故。至于道路几何,正面碰撞是最有可能发生在交叉道路的推理概率为39.6%,而“违反交通信号灯”的概率推理是最大的在司机的正面明显错误导致崩溃。这些结果同意Bham et al。59]谁发现正面碰撞在更高的风险严重的伤害相比其他碰撞类型。组织者和Rizzi et al。60得出结论,31%和21%的十字路口的事故本来是可以避免的完全或防抱死制动系统(ABS)的影响;然而,只有正面碰撞事故类型,ABS似乎是无效的。

5。结论和未来的工作

交通事故是意外的,随机的,复杂的,和潜在的,有必要开展事故调查机制,准确地识别确切原因。贝叶斯网络的概率理论与图论相结合不仅有严格的数学的一致性,也有结构图表可以直观地发现问题。因此,它是其中一个最强大的和有效的工具来处理不确定性。

交通事故的发生相互作用的结果”交通参与者、车辆、道路和环境,“还有一个潜在的分层变量之间的关系(影响和影响)。在贝叶斯网络中,有向无环图是一种视觉表现形式更接近于人类思维和推理模式的特点。在这项研究中,交通事故因果关系分析的贝叶斯网络结构是通过使用K2算法和专家的知识相结合机器学习的优势和专家的知识。贝叶斯网络的结构学习结果充分体现了分层事故相关变量之间的关系,可以更好的预测和分析交通事故的特点。

在这项研究中,交通事故因果关系分析的贝叶斯网络模型建立了通过使用Netica,贝叶斯网络软件与友好的GUI。采用的算法,可以处理缺失数据采用过程的参数学习,然后校准和验证,后验概率推理,最可能的解释和推论分析后进行了贝叶斯网络模型的建设。结果表明,贝叶斯网络模型是可行的和有效的道路事故因果关系分析;特别是使用后验概率的贝叶斯网络不仅可以更准确和快速找到关键原因交通事故也确定最可能的原因(国家)的组合。结果可以作为发展的一个重要理论依据道路交通管理策略,以提高道路交通安全。

后续研究将贝叶斯模型的合理性和其他因素,可能会导致交通事故,建立更准确和全面的模型。贝叶斯模型是一个概率模型,更全面的和广泛的基本数据需要提高其可靠性,一些数据可以获得只有通过实施实验,尽管贝叶斯的能力模式,以弥补缺失的数据。此外,正如现实中的交通事故影响因素在这项研究中使用的因素和多Netica也适合建立一个更大、更复杂的事故分析模型,该模型可以扩展到更复杂的模型,该模型可以考虑更多的因素。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

澳大拉西亚的道路安全学院2017 acr提交联邦议员,从检索http://acrs.org.au/wp-content/uploads/2017-ACRS-Submission-to-Federal-Parliamentarians-FINAL.pdf。
国家公路交通安全管理局(NHTSA)。,“Critical reasons for crashes investigated in the national motor vehicle crash causation survey,” vol. 85, 101 pages, 2015.视图:出版商的网站|谷歌学术搜索
国家公路交通安全管理局(NHTSA)”, 2014年交通安全的事实:一个编译的机动车事故死亡率分析报告系统和一般的数据估计系统,”2015年。视图:谷歌学术搜索
m·g . Karlaftis和i Golias道路几何和交通量的影响农村道路事故发生率,”事故分析预防,34卷,不。3、357 - 365年,2002页。视图:出版商的网站|谷歌学术搜索
r·傅y郭,w .元,h·冯马y,“梯度下降的道路和事故发生率之间的关系,“安全科学卷,49号3、416 - 423年,2011页。视图:出版商的网站|谷歌学术搜索
j·p·古奇,诉诉Gayah和e . t . Donnell”量化的安全影响双向水平曲线,两车道的农村道路,”事故分析预防卷,92年,第81 - 71页,2016年。视图:出版商的网站|谷歌学术搜索
h . Al-Madani和a . r . Al-Janahi”司机个人特征的作用在理解交通标志符号,“事故分析预防,34卷,不。2、185 - 196年,2002页。视图:出版商的网站|谷歌学术搜索
d . de Waard f·j·j·m·Steyvers和k . a . Brookhuis”需要多少视觉道路信息安全驾驶和舒适?”安全科学,42卷,不。7,639 - 655年,2004页。视图:出版商的网站|谷歌学术搜索
t . Ben-Bassat和d .示人体工程学的指导方针,交通标志设计增加理解。人为因素,48卷,不。1,第195 - 182页,2006。视图:出版商的网站
k . Keay和i .西蒙兹”协会的降雨和其他天气变量与道路交通量在墨尔本,澳大利亚,”事故分析预防,37卷,不。1,第124 - 109页,2005。视图:出版商的网站|谷歌学术搜索
l .秋和w·尼克松“恶劣天气对交通事故的影响:系统回顾和荟萃分析,“交通研究记录:《交通研究委员会,第146 - 139页,2008年。视图:出版商的网站|谷歌学术搜索
p . Konstantopoulos·查普曼,d . Crundall。”司机的视觉注意力的驾驶体验和可见性。使用驾驶模拟器来探索司机的眼睛运动在一天,晚上,下雨开车,”事故分析和预防,42卷,不。3、827 - 834年,2010页。视图:出版商的网站|谷歌学术搜索
k·p·墨菲,“贝叶斯网络对MATLAB工具箱,”计算机科学和统计,33卷,不。2,页1024 - 1034,2001,http://www.interfacesymposia.org/I01/I2001Proceedings/KMurphy/KMurphy.pdf。视图:谷歌学术搜索
o·温格,i Dumitrache Mihu,“医学专家系统动态贝叶斯网络和基于本体的,”专家系统与应用程序,38卷,不。12日,2011年。视图:出版商的网站|谷歌学术搜索
g . Buyukozkan g . Kayakutlu,İ。s . Karakadılar“精益生产对企业绩效的影响的评估使用贝叶斯信念网络,”专家系统与应用程序,42卷,不。19日,6539 - 6551年,2015页。视图:出版商的网站|谷歌学术搜索
h . Mcheick h·纳赛尔·m·Dbouk和a·纳赛尔,“中风预测环境敏感的医疗系统,”第一IEEE国际会议论文集上连接健康:应用程序、系统和工程技术(CHASE)美国洗,30至35页,华盛顿,2016年。视图:出版商的网站|谷歌学术搜索
在丹麦,美国詹森”,行人安全”交通研究记录:《交通研究委员会卷,1674年,第69 - 61页,1999年。视图:出版商的网站|谷歌学术搜索
m·斯通和j·布劳顿,“下车你自行车:自行车事故在1990 - 1999年在英国,”事故分析预防,35卷,不。4、549 - 556年,2003页。视图:出版商的网站|谷歌学术搜索
d . e . Lefler和h·c·加布勒的死亡和受伤的风险与行人在美国轻型卡车的影响,“事故分析预防,36卷,不。2、295 - 304年,2004页。视图:出版商的网站|谷歌学术搜索
ot Holubowycz”、年龄、性别、和血液酒精浓度的死亡,受伤的行人,“事故分析和预防,27卷,不。3、417 - 422年,1995页。视图:出版商的网站|谷歌学术搜索
a·s·阿尔哈姆迪”Pedestrian-vehicle崩溃和分析技术对分层应急表,“事故分析预防,34卷,不。2、205 - 214年,2002页。视图:出版商的网站|谷歌学术搜索
d .主,s . p .华盛顿,j . n . Ivan”泊松,Poisson-gamma zero-inflated机动车事故的回归模型:平衡统计和理论,“事故分析和预防,37卷,不。1,35-46,2005页。视图:出版商的网站|谷歌学术搜索
m . Poch和f .曼纳林“负二项intersection-accident频率,分析”交通运输工程学报,卷122,不。2、105 - 113年,1996页。视图:出版商的网站|谷歌学术搜索
J.-L。马丁,”之间的关系崩溃率和每小时都市间的高速公路交通流,”事故分析和预防,34卷,不。5,619 - 629年,2002页。视图:出版商的网站|谷歌学术搜索
K.-s。Ng W.-t。挂,W.-g。王”,一个算法评估交通事故的风险,”《安全研究,33卷,不。3、387 - 410年,2002页。视图:出版商的网站|谷歌学术搜索
L.-Y。Chang和观测。陈,“基于树模型的数据挖掘分析高速公路事故频率,“《安全研究,36卷,不。4、365 - 375年,2005页。视图:出版商的网站|谷歌学术搜索
g . Lovegrove t·赛义德,“宏观的碰撞预测模型来提高传统活性道路安全改进计划,”交通研究记录:《交通研究委员会,第73 - 65页,2007年。视图:出版商的网站|谷歌学术搜索
m . j . m . Sullman m . l .草地和k . b . Pajo”异常驾驶行为在新西兰卡车司机。”交通运输研究F部分:心理学和行为,5卷,不。3、217 - 232年,2002页。视图:出版商的网站|谷歌学术搜索
j。金,金,g . f . Ulfarsson和洛杉矶Porrello,“骑自行车受伤bicyclemotor车辆事故的严重性,”事故分析和预防,39卷,不。2、238 - 251年,2007页。视图:出版商的网站|谷歌学术搜索
p . Savolainen和f .曼纳林概率模型的摩托车手受伤清规戒律在单和多车事故,”事故分析和预防,39卷,不。5,955 - 963年,2007页。视图:出版商的网站|谷歌学术搜索
r·k·年轻和j . Liesman”估计之间的关系测量风速和推翻卡车使用二进制logit模型崩溃,”事故分析和预防,39卷,不。3、574 - 580年,2007页。视图:出版商的网站|谷歌学术搜索
p . m . Kuhnert K.-A。,r·麦克卢尔”,结合非参数模型和逻辑回归:申请机动车伤害数据,”计算统计和数据分析,34卷,不。3、371 - 386年,2000页。视图:出版商的网站|谷歌学术搜索
j . Abellan g·洛佩兹,j . de Ona”分析交通事故严重性使用通过决策树决策规则,”专家系统与应用程序40卷,第6054 - 6047页,2013年。视图:出版商的网站|谷歌学术搜索
j . de Ona r . o . Mujalli f·j·卡尔沃,”西班牙农村公路交通事故损伤严重程度的分析使用贝叶斯网络,”事故分析预防,43卷,不。1,第411 - 402页,2011。视图:出版商的网站|谷歌学术搜索
s . Heydari l . f . Miranda-Moreno d主,和l .傅“贝叶斯方法估计和更新安全性能函数在有限的数据条件下:敏感性分析,“事故分析预防卷。64年,41-51,2014页。视图:出版商的网站|谷歌学术搜索
a·c·Mbakwe a·a·萨卡人k . Choi和Y.-J。李”,为发展中国家公路交通安全分析的替代方法使用德尔菲法和贝叶斯网络,”事故分析和预防卷,93年,第146 - 135页,2016年。视图:出版商的网站|谷歌学术搜索
k·g·奥尔森和a·l·马德森“最大'子图分解的贝叶斯网络,”IEEE系统,人,控制论,B部分(控制论),32卷,不。1,21-31,2002页。视图:出版商的网站|谷歌学术搜索
s . Demissie m . p . LaValley n . j .霍顿r·j·格林和洛杉矶Cupples“偏见由于缺少接触比例风险回归模型中使用完整个案分析的数据,”医学统计,22卷,不。4、545 - 557年,2003页。视图:出版商的网站|谷歌学术搜索
r s Pilla b·g·林赛,“另类EM有限混合模型,非参数方法”生物统计学,卷88,不。2,页535 - 550,2001,从检索http://www.jstor.org/stable/2673498。视图:谷歌学术搜索
答:艾伦,”土地利用规划及其Adelaide-Gawler线转变为面向连接的交通运输走廊的发展,”论文发表在第34澳大拉西亚的运输研究论坛(ATRF)程序2011年,澳大利亚阿德莱德,http://www.worldtransitresearch.info/research/4335/。视图:谷歌学术搜索
澳大利亚联合汽车保险公司有限,“阿德莱德最危险的事故热点透露,2015年,从检索https://www.aami.com.au/aami-answers/press-releases/adelaide-most-dangerous-accident-hotspots-revealed.html。视图:谷歌学术搜索
r . o . Mujalli和j . De Ona”的方法简化交通事故损伤严重程度的分析使用贝叶斯网络在两车道的公路上,”《安全研究,42卷,不。5,317 - 326年,2011页。视图:出版商的网站|谷歌学术搜索
a Gregoriades和k . c . Mouskos黑点识别通过贝叶斯网络事故风险的量化指数”交通研究部分C:新兴技术卷28日,28-43,2013页。视图:出版商的网站|谷歌学术搜索
r . o . Mujalli、g·洛佩兹和l . Garach”交通事故不平衡数据集的贝叶斯分类器,”事故分析预防、(C)的补充卷,88,pp。37-51, https URL, 2016年。视图:出版商的网站|谷歌学术搜索
a Iranitalab和a . Khattak”比较四个事故严重性预测,统计和机器学习方法”事故分析与预防、108 (C)的补充,27-36,2017页。视图:出版商的网站|谷歌学术搜索
格林尼r . j . Cheng j·凯利,d·贝尔和w·刘,“学习贝叶斯网络的数据:一个基于信息理论的方法,”人工智能,卷137,不。1 - 2,页43 - 90,2002。视图:出版商的网站|谷歌学术搜索|MathSciNet
e . Desapriya。派克,s .假阿拉伯胶树”的公众态度、流行病学和后果酒后驾车在不列颠哥伦比亚,”IATSS研究,30卷,不。1,第110 - 101页,2006。视图:出版商的网站|谷歌学术搜索
r . Hingson和m .冬天,“流行病学和酒后驾车的后果。”酒精研究和健康,27卷,不。1,页63 - 78,2003,https://pubs.niaaa.nih.gov/publications/arh27 1/63 - 78. htm。视图:谷歌学术搜索
加拿大机动车交通安全理事会,“道路安全在加拿大,”2011年,从检索https://www.tc.gc.ca/eng/motorvehiclesafety/tp tp15145 - 1201. htm。视图:谷歌学术搜索
r .茶和s . m . Rifaat”因素交叉碰撞的严重程度。”《先进的交通工具第41卷。。3、244 - 265年,2007页。视图:谷歌学术搜索
大肠Hoareau: Candappa b . Corben,”维多利亚的交叉路口安全:会议的挑战。”阶段1 -任务1:问题定义1卷,2011年,http://www.monash.edu/muarc/research/our-publications/muarc316a。视图:谷歌学术搜索
k . Keay和i .西蒙兹”交通事故和降雨量在大澳大利亚城市,“事故分析和预防,38卷,不。3、445 - 454年,2006页。视图:出版商的网站|谷歌学术搜索
l·西蒙斯和a·佩里”预测公路灾害造成的雨,冰雨和湿表面和天气雷达的作用,“气象应用程序,4卷,不。1,1997,17 - 21页。区间。视图:出版商的网站|谷歌学术搜索
A . m . Rizwan l . y . c·丹尼斯和c .刘”回顾上一代、决心和缓解城市热岛,”环境科学学报,20卷,不。1,第128 - 120页,2008。视图:出版商的网站|谷歌学术搜索
n伯爵、i -西芒和n .攻丝机”每周周期在高峰时间温度和城市热岛强度,”环境研究快报,11卷,不。7篇文章ID 074003 p。2016。视图:谷歌学术搜索
e . s . k . Jusuf n h . Wong哈根,r . Anggoro y香港,“土地利用对城市热岛的影响在新加坡,”栖息地的国际没有,卷。31日。2、232 - 242年,2007页。视图:出版商的网站|谷歌学术搜索
d·e·帕克,“城市热岛效应的估计上观察到的气候变化,“威利跨学科评论:气候变化,1卷,不。1,第133 - 123页,2010。视图:出版商的网站|谷歌学术搜索
m . Hosseinpour a s Yahaya, a . f . Sadullah探索道路特征的影响在正面碰撞的频率和严重程度:案例研究从马来西亚联邦道路。事故分析预防卷,62年,第222 - 209页,2014年。视图:出版商的网站
g . h . Bham b s Javvadi, u r . r . Manepalli”多项逻辑回归模型对美国城市公路单车和multivehicle碰撞在阿肯色州,”交通运输工程学报,卷138,不。6,786 - 797年,2012页。视图:出版商的网站|谷歌学术搜索
组织者m . Rizzi、j . Strandroth和c . Tingvall“防抱死刹车系统的有效性在摩托车上减少真实事故和伤害。”交通伤害的预防,10卷,不。5,479 - 487年,2009页。视图:出版商的网站|谷歌学术搜索

《先进的交通工具

文摘