研究文章|开放获取
剑,西安Liu称,小池, ”动态贝叶斯网络实时城市高架高速公路事故预测模型”,《先进的交通工具我>, 卷。2021年, 文章的ID5569143, 12 页面, 2021年。 https://doi.org/10.1155/2021/5569143
动态贝叶斯网络实时城市高架高速公路事故预测模型
文摘
交通事故是一个复杂的现象,涉及耦合在多个影响因素之间相互依存。考虑到准确预测崩盘风险的相互依存是至关重要的,有助于揭示事故发生的潜在机制,本研究试图建立一个实时碰撞预测模型(RTCPM)城市高架高速公路占动态性和耦合相互依存在事故发生前交通流特征,确定最可能的风险传播路径和最重要的贡献者崩溃的风险。在这项研究中,动态贝叶斯网络(DBN) RTCPM的框架。随机森林(RF)法来识别最重要的变量,这是用于构建DBN-based RTCPMs。电脑算法结合专家经验进一步应用于调查之间的耦合相互依存DBN模型中的交通流特征。比较分析在改善DBN-based RTCPM考虑到相互依存,原DBN-based RTCPM没有考虑到互相依赖,和多层感知器(MLP)。此外,灵敏度和强度影响的分析是用来确定最可能的风险传播路径和最重要的贡献者崩溃的风险。结果表明,改进的DBN-based RTCPM有更好的预测性能比原来DBN-based RTCPM RTCPM和延时。最可能的风险影响路径被确认如下:当前段速度(V)(时间片2)⟶V(时间片1)⟶速度对上游段(U_V)(时间片1)⟶流量性能指标(TPI)(时间片1)⟶崩盘风险。最敏感因素事故风险在这个路径是V(时间片2),其次是TPI(时间片1),V(时间片1),U_V(时间片1)。这些结果表明,改进的DBN-based RTCPM有潜力预测城市高架高速公路实时崩溃。 Besides, it contributes to revealing the underlying mechanism of crash and formulating the real-time risk control measures.
1。介绍
实时道路交通事故预测是道路安全的热点的背景下主动交通管理(ATM)在过去的二十年里。实时碰撞预测是指假设一个特定的路上发生车祸的概率部分可以在很短的预碰撞预测时间间隔,采用瞬时交通流特征(1- - - - - -3]。智能交通系统(ITS)的发展和先进的交通信息系统(ATIS航站)有助于容易收集实时交通数据,促进有效和准确评估碰撞风险在高速公路和高速公路利用RTCPMs [4- - - - - -11]。
一般来说,许多RTCPMs研究交通流数据之间建立直接连接(即。、体积、速度、占用及其组合)和事故数据。在这些模型中,共线性和避免因变量之间的相关性;因此,变量的独立性是保证12,13]。然而,交通事故是一个复杂的现象,包括耦合在多个影响因素之间相互依存。耦合相互依存的概念可以用来表达各种风险之间的相互作用。虽然这些复杂的系统因素可以表现出很多自己的特点,在现实中这些个人因素互动和夫妇以更复杂的方式相互耦合的方向和耦合强度(14- - - - - -16]。这种交互称为耦合相互依存,从而导致增加或减少事故的风险(17]。因此,它对RTCPMs占至关重要影响因素之间的相关性。此外,交通数据是经常采用的一次性间隔实时碰撞预测的RTCPMs [6,18]。然而,对于城市高架高速公路、合并和换道行驶行为经常由于dense-ramp设置。交通流的特点是容易显示动态性变化随着时间的推移,这是与事故风险密切相关(19]。因此,动态性的交通流时间维度应该考虑实现的RTCPM预测城市高架高速公路事故。
DBN,特定形式的贝叶斯网络(BN),代表了某种状态空间模型的动态演化在时间(20.]。它被广泛用于预测和评估风险的动态演变过程领域的海上事故,隧道施工,ship-ice碰撞等。21- - - - - -23]。为了表达交通流的动态性特点,一些RTCPMs研究应用时间序列组成的交通数据几位时间间隔24- - - - - -27),被证明是可行的和鲁棒性。然而,这些研究忽略相关性的调查在不同交通流特征和简单连接每个影响因素直接崩溃风险图结构的施工过程。DBN建设的最关键的一步,互相依赖的变量可以评估DBN模型与应用程序的结构学习算法。此外,神经网络模型(例如,MLP)也能够适应相关的因变量。然而,整个模型应该重建并重新调整一次未来新的变量和知识从数据输入,其优化过程可以高度resource-demanding [13]。
此外,考虑影响因素之间的相关性也有助于揭示事故发生的潜在机制。目前的研究估计,事故风险量化事故发生的概率。我们希望这个模型可以实时提供一些对策协调风险很高的时候,碰撞的概率。对策的制定应基于风险传播路径的识别和重大风险因素。然而,有预测和解释模型之间的两难境地:预测模型的专业不是最好的知识发现,反之亦然(7,28]。DBN模型的优势实现不确定性分析和概率推理和不确定性进行双向调查预测和诊断分析。结合灵敏度和强度影响的分析方法不仅可以确定最可能的风险传播路径,但也可以认识到最敏感的贡献者在传播路径(29日]。一旦最敏感的风险因素在整个传播路径显示,引用的顺序和重点提供中介,这有助于制定相应的实时风险对策切断传播路径,降低事故发生的概率。
现有DBN-based RTCPMs主要强调交通流的动态性特点,缺乏调查交通流之间的相互依存的耦合特性。本研究的主要贡献是(1)DBN结构学习算法应用于一个例子来预测道路交通事故;(2)比较两个DBN-based的表演RTCPMs(考虑到相互依赖和不考虑相互依存)和MLP-based RTCPM;和(3)确定最敏感的风险因素在传播路径的使用影响分析的灵敏度和强度。
手稿分为五部分。其余部分组织如下。节2,并给出了材料和方法。部分3提出和讨论的结果。部分4提供了一些结论。
2。材料和方法
2.1。研究区和数据准备
40的延安高架高速公路在上海,中国,沿着西行的顺序互相连接起来,往东的高速公路,被选为研究区域(见图1)。所有部分都是三车道与探测器间距近似300 - 500米的距离。每个部分都有类似的道路几何和/出站安排;因此,道路几何图形和坡道的位置并不视为影响变量在崩溃的风险。有82事故发生在延安高速公路在2018年8月和9月。的日期、时间和段收集IDs的崩溃。基于匹配的病例对照设计,三个相应noncrash情况下为每个事故情况下随机匹配相同的部分和发生时间(总共246 noncrash病例)。此外,交通流特征和天气RTCPM也获得作为输入变量,针对事故分类和noncrash国家基于崩溃风险之间的关系的调查,交通流特征和天气条件。
现有dual-loop探测器可用于研究领域提供了平均速度(公里/小时)和单一的平均体积巷(pcu / h)为每一个段。每小时天气变量,包括能见度(公里)和天气类型)(雨天还是晴天,从上海徐家汇天文台收集,从延安高速公路7.5公里远。在这项研究中,交通性能指标(TPI)不同在0和1之间应用作为一个指标来衡量拥堵程度的大小,1是一个交通堵塞状态,0是一个自由流动状态(方程(1))。考虑 在哪里<我>V我>马克斯最大速度和吗<我>V我>我我>平均速度吗<我>我我>时间。
对当前的平均速度数据,上游和下游的碰撞位置和整个高速公路的TPI聚合在5分钟的间隔。交通流随时间的演变导致崩溃是一个动态过程;因此,交通流特征的几个时间间隔在坠机前应结合建立模型。0 - 5分钟的时间间隔(时间片0),5 - 10分钟(时间片1),10 - 15分钟(时间片2)崩溃之前被认为是。时间片0被排除在外,因为碰撞预警系统需要一些时间认识到崩溃,和实际事故发生时间和记录时间并不总是完全一致的。由于原始气象数据更新一次一个小时,天气条件被认为是一个稳定的影响变量在不同的时间片。最后,交通流量和天气数据对应于82年崩盘病例和246 noncrash例生成。总共9个变量结合当前交通流特点,上游和下游的碰撞位置与天气条件如表所示1。
|
||||||||||||||||||||||||||
2.2。随机森林(RF)
构建RTCPM的主要目的是评估碰撞风险。高维变量空间可以增加处理RTCPM的复杂性。因此,随机森林(RF),一种广泛使用的变量选择模型,实现在这项研究中,选择影响变量和减少冗余的变量。变量重要性(VI)指标作为标准来选择相关的主要变量(12,30.),可以确定以下步骤。(1)样本<我>N我>从学习的数据量将建立一个树分类器通过引导样品技术,和剩下的学习样本集不习惯在这棵树的生长。忽略时样品,一个有效的内部测试数据集,被称为out-of-bag (OOB)数据,得到一个公正的错误估计了。<我>米我>随机选择的变量数量从原来的变量集<我>米我>(<我>米我><<我>米我>),最好的分离变量<我>米我>在每个树节点采用分裂节点。每棵树的成长自然没有修剪。重复这个步骤<我>k我>次构造组成的射频<我>k我>树。(2)每棵树分类器的分类结果由投票产生二进制目标(崩溃或noncrash)基于OOB样本,和分类错误率<我>R我>我我>计算结果。(3)添加随机噪声干扰的任何变量的值OOB样本,和新OOB样本。每棵树,实现事故/ noncrash分类测试与新OOB样本用于计算分类错误率<我>R我>我我>”我>。(4)VI是计算分类错误率的增加意味着添加随机噪声干扰后的树木。计算公式如下方程:
2.3。动态贝叶斯网络(DBN)
贝叶斯网络(BN)是一个概率图形化模型表示的概率之间的关系一组变量,这些变量连接在一个有向无环图(DAG)。BN的优势学习因果关系,预测干预的后果,最可能的解释和分析结果。一些研究人员采用BN评估和分析交通事故风险(31日- - - - - -33]。大多数事故没有发生基于一个特定的时间点,但他们可以通过多个交通状态描述一系列的时间片。DBN是一种BN,两时间序列数据表达风险演变过程随着时间向前流动(20.]。概率推理的应用,BN泛化的关键一步是揭示随机变量的概率依赖关系,这也表达了DBN的时间序列。两种类型的依赖关系存在于DBN:依赖一个时间片内和时间片之间的依赖关系。DBN模型由观测得到的证据<我>X我>= {<我>x我>1,x我>2、…<我>x我>t我>}和隐藏变量<我>Y我>= {<我>y我>1,<我>y我>2、…<我>y我>t我>},交通状态变量和崩溃的可能性,分别。十亿年当一个马尔可夫模型和集成构建DBN模型中,有一个过渡模式<我>P我>(<我>x我>t我>|<我>x我>t−我>1),一个观测模型<我>P我>(<我>y我>t我>|<我>x我>t我>),和一个初始状态分布<我>P我>(<我>x我>1)。联合概率分布可以表示如下:
有三个关键步骤:初始化一个DBN模型采用(1)ChiMerge算法实现连续变量的离散化。(2)结构学习应用于图形变量之间的依赖关系。在这一步中,DBN不仅估计变量之间的依赖关系在一个时间片,还检查了他们在不同的时间片。电脑算法用于构建BN的结构在一片之间的交通状态变量和崩溃的可能性。然后,同一变量在不同片连接建立DBN的结构。(3)参数学习是学习变量的条件概率分布进行一个时间片内和跨时间片。参数估计是测试的期望最大化(EM)算法。
2.4。ChiMerge算法
在DBNs连续变量通常是有问题的,因为它未能捕捉连续变量之间的关系(34]。经典方法DBNs处理连续变量是离散化的变量(35]。离散化的操作是将连续变量划分为少量的间隔,其中每个区间映射到离散的象征。有两种广泛使用的简单方法,equal-width间隔,这将变量的最小值和最大值之间划分为一个相等的间隔大小、频率相同的间隔,间隔边界在哪里选择基于每个区间包含相同数量的样本。然而,这两个样本的方法忽略了类36]。一个好的离散化intrainterval一致性和interinterval区别。通过使用ChiMerge算法执行合并操作<我>χ我>2统计测试是否有显著差异或相似之处的相对类频率相邻间隔。
ChiMerge算法主要包括几个步骤。(1)样品根据他们的价值。(2)计算<我>χ我>2值为每一对相邻间隔与以下方程: 在哪里<我>米我>= 2(2间隔相比较),<我>n我>= 2(数量的类,即。崩溃和noncrash),<我>一个我>ij我>=的样本数量<我>我我>th间隔,<我>j我>th类,<我>E我>ij我>=预期的频率<我>一个我>ij我>。(3)最低的两相邻区间合并<我>χ我>2值,直到所有成对的间隔<我>χ我>2值超出<我>χ我>2阈值。的<我>χ我>2阈值是由所需的显著性水平(0.95百分比水平研究)和自由度的数量(1小于类的数量)。有两类(崩溃和noncrash);因此,自由度为1。最后,<我>χ我>2值是3.841。
2.5。计算机算法
个人电脑算法是一种有效的和经典算法用于结构学习BN (37,38]。电脑算法的过程主要包括三个步骤:(1)确定骨架图的条件独立测试。让<我>X我>= {<我>x我>1,<我>x我>2、…<我>x我>k我>}是一组随机变量和<我>V我>= { }是一组节点图,这样每个节点中<我>V我>是一个随机变量<我>X我>。然后,构造一个无向图<我>G我>所有节点相互连接,然后电脑算法实现了统计测试来删除或保持相邻节点之间的边<我>x我>我我>和<我>x我>j我>给定一个空调<我>x我>γ我>图中通过计算交叉熵CE (<我>x我>我我>,<我>x我>j我>|<我>x我>γ我>): 个人电脑算法采用<我>G我>2检验统计量,等于2<我>n我>CE<我>(x我>我我>,<我>x我>j我>| x我>γ我>)我>与<我>n我>表明样本大小,来验证独立。第一步的结果是图的骨架。(2)搜索 - - - - - -结构。如果两个变量<我>x我>我我>和<我>x我>j我>不是有条件和给定独立吗<我>x我>γ我>,然后对撞机节点和一个决定 - - - - - -结构⟶←画,另一边缘保持无向−− 。(3)确认其他边缘的方向。结合专家经验,一些无向边节点之间基于指定任何周期和其他的原则 - - - - - -配置不允许。
2.6。期望最大化(EM)算法
EM算法是一个通用的算法来计算最大可能性日志和性能已经被证明是有效的参数学习BN (39]。EM算法的基本理论是学习节点之间的依赖通过迭代过程的参数估计(40]。EM算法主要包括三个步骤:(1)初始化<我>θ我>:给定一组未知参数<我>θ我>,一个日志可能是最大化的价值。目标函数是 介绍一个分布<我>问(Y)我>:一个初始化的分布<我>θ我>定义基于詹森不等式: (2)E-Step:计算分布<我>问(Y)我>=<我>P (Y | X我>;<我>θ)我>,这被视为E-step。(3)M-Step:优化参数估计的基础上联合概率分布,这被视为M-Step。 θ′我>替换<我>θ我>。迭代过程将重复进行,直到达到局部最优的估计参数。
2.7。多层感知器(MLP)
神经网络,一个有效的函数近似者,常被用来解决在各领域的回归和预测问题。一个通用的多层感知器模型可以由以下3个步骤。(1)初始化网络模型。假设原始函数可以用一组近似的基本功能: 在哪里<我>F我>是最初的函数,<我>x我>是输入向量,<我>米我>是网络突触的数量突触的重量,<我>φ我>分配的基函数在突触,常用的函数和s形曲线(如晒黑<我>h我>),<我>e我>是错误的。(2)负载样本点对(<我>x我>,<我>y我>)和计算预测和真实值之间的误差: 在哪里<我>y我>是样品的真实价值。(3)根据误差调整网络突触权重的反馈。调整的通用计算公式 在哪里<我>k我>是神经元层之后,调整位置。当调整<我>∆w我>小于预设阈值<我>η我>这一步将会终止;否则,权重将被更新,这个过程将回到步骤(2)。
3所示。结果与讨论
的DBN-based RTCPM构造了基于训练数据集(包括264年崩盘数据和noncrash数据)和验证基于验证数据集(包括64年崩盘数据和noncrash数据)。
3.1。变量的选择
图2显示变量重要性排名是由射频方法。很明显,最重要的三个变量是TPI (0.151), V (0.144)、U_V (0.144) (<我>六世我>> 0.14)。其他变量的相对重要性是小于0.12。因此,TPI、V、U_V被选为影响变量构建DBN模型。令人惊奇的是,能见度和天气发挥有限的作用。这可能是解释事故数据的收集时间(从8月至9月),当有更多的日光和更少的可见性差异(意味着= 21.32公里,SD = 10.90公里)。根据中国的水平能见度等级标准(GB / T 33673 - 2017),当可见性大于或等于10公里,视野被认为是一个很好的水平。因此,总体良好的能见度不崩溃风险在这项研究中有重要贡献。此外,天气分类变量,天气类型(下雨/阳光),作为代理代表天气条件在这项研究中,而不是一个量化的变量,降雨。我们假设之间的关系崩溃风险和降雨可能比天气更明显的类型。
3.2。DBN模型建设
DBN模型和不考虑交通流之间的相互依存特征(TPI, V、U_V)都是基于训练数据集的构造。前模型(改进DBN-based RTCPM)是主要目的,而后者之一(原DBN-based RTCPM)是用于比较发达。之前构造的图形结构改进DBN-based RTCPM,三是离散交通流特征根据相应的事故情况下使用ChiMerge算法。每个变量的离散化的状态数仅限于10所以DBN模型可以减少计算复杂度。TPI的离散化范围,V, U_V给出数据3- - - - - -5,分别。结果表明,相邻离散化区间在每个变量的特点是可区分的崩溃/ noncrash比率,表明ChiMerge算法进行离散化。
离散化后,电脑算法和专家评估利用调查交通流之间的相互依存特征在一个时间片。交通流特征的动态性是反映通过连接相同的变量时间片2片1。的动态性和相互依赖关系决定了图形结构改进DBN-based RTCPM(图6)。原DBN-based RTCPM没有考虑交通流特征之间的相关性,及其图形结构直接决定通过连接交通流变量崩溃风险在一个时间片和连接两个时间片(图之间的相同的变量7)。
之后的参数学习过程是使用EM算法实现。改进的初始状态DBN-based RTCPM和原始DBN-based RTCPM给出数据8和9,分别。观察到,他们的整体交通流状态的概率与崩溃是不同的(分别为36%和42%)没有进入DBN新证据。这种差异表明,比较两种类型的性能的重要性DBN-based RTCPM。
3.3。模型验证和比较
验证数据集被用来验证DBN模型。当没有新的证据进入DBN,事故风险的边际概率节点DBN模型的初始状态设置为分类阈值来评估模型的性能。然后,每个验证数据集进入单独的模型。事故风险,即。,theposterior probability of crash risk node, relating to the prone traffic condition, were calculated based on the prior probabilities. Several evaluation metrics based on the confusion matrix (Table2)提出了以下方程:
|
||||||||||||||||||
除了总体精度从方程(12从方程(灵敏度),13),<我>G我>——从方程(17),<我>F我>测量从方程(18)被用来比较两种类型的DBNs和MLP的性能。不平衡分类,总体精度指标是不够的由于其无法检查小积极样本;因此,灵敏度被选为辅助指标检查事故分类精度。的<我>F我>测量精度和召回的调和平均数,是检测碰撞的能力。此外,可以反映在平衡的分类能力<我>G我>则,敏感性和特异性的几何平均数。并给出了比较结果表3。
|
|||||||||||||||||||||||||||||||||||
如表所示3,所有的模型可以达到良好的分类精度。其中,改进DBN-based RTCPM显示最好的总体分类精度,其次是原始DBN-based RTCPM和MLP-based RTCPM。碰撞检测能力的灵敏度指标表明,改进DBN-based RTCPM表现最好的,和相对贫穷的性能被认为在原始DBN-based RTCPM。此外,<我>F我>测量还建议改进DBN-based RTCPM最好崩溃的预测能力比原来DBN-based RTCPM和MLP-based RTCPM。关于平衡的分类能力,<我>G我>则透露,改进DBN-based RTCPM比其他模型实现的。所有的比较,结果表明,改进的DBN-based RTCPM可以达到理想的总体预测性能。也证明了这个模型有一个实时有效的监控能力崩溃。与此同时,模型可以保持平衡崩溃并没有崩溃的预测。总之,的预测性能DBN-based RTCPM可以提高占交通流特征的相互依存。
3.4。影响分析的灵敏度和强度
调查交通流之间的相互依赖也有助于揭示事故发生的潜在机制,有助于制定实时的风险控制措施。影响分析的灵敏度和强度在专业DBN分析软件,实现精灵,识别最重要的贡献者崩溃风险和最可能的风险传播路径。
3.5。敏感性分析
精灵的灵敏度分析可以用来确定哪些节点有更大贡献DBN的目标节点。设置事故风险作为目标节点,进行灵敏度分析,交通流特征的贡献程度崩溃风险呈现在图10降序排列。结果表明,TPI在时间片2是最敏感的因素,导致崩溃的风险,其次是在时间片2 V、时间片1 TPI等。
3.6。强度的影响分析
影响的强度分析是用来确定最可能的风险传播路径的基础上,相互依存结构有所改善。影响的力量总是从之间的距离计算子节点的条件概率分布在它的父节点的状态。如图11弧有不同的价值观和厚度,提出影响连接节点之间的力量。最大的累计值表示,最可能的风险传播路径是V(时间片2)⟶(时间片1)⟶U_V(时间片1)⟶TPI(时间片1)当前段⟶崩盘风险。
合成的灵敏度和强度影响分析的结果可以用来确定最可能的风险传播路径,以及确定传播路径的最敏感的因素。结果表明,序列顺序和重点的实时风险对策应该躺在V(时间片2),TPI(时间片1),V(时间片1)、U_V(时间片1)。
4所示。结论
本研究旨在构建一个城市高架高速公路利用RTCPM DBN模型来捕获动态性和耦合相互依存在事故发生前交通流特征。模型建立和验证采用交通流数据收集在延安高架高速公路。基于DBN-based RTCPM,影响分析的灵敏度和强度是用来确定最可能的风险传播路径和最敏感的贡献者崩溃的风险。主要结论如下:(1)DBN模型在模型建设过程中,相互依赖是由电脑算法和专家经验,和交通流特征的动态性是表示在时间片采用数据。通过验证,改进DBN-based RTCPM有一个整体的准确性76.6%,68.8%的事故预测精度和崩溃/ noncrash平衡分类精度为73.8%。结果表明,该模型可以实现一个有效的事故预测城市高架高速公路。(2)比较原始的DBN-based RTCPM和MLP-based RTCPM建议改进DBN-based RTCPM可以识别事故发生之前交通流特征之间的相关性。比较结果还表明,改进DBN-based RTCPM更适合城市高架高速公路实时崩溃的预测。(3)结果显示灵敏度和强度的影响分析,最有可能的风险传播路径是V(时间片2)⟶(时间片1)⟶U_V(时间片1)⟶TPI(时间片1)⟶崩溃风险当前段,事故风险和最敏感的因素在这个路径是V(时间片2),其次是TPI(时间片1),V(时间片1)、U_V(时间片1)。结果表明,连续实时风险对策的制定应该关注这个序列在传播路径中。
将来会有两个扩展研究。一方面,模型建立和验证在同一城市高架高速公路;因此,模型的可转让性到另一个城市高架高速公路还没有讨论。另一方面,特定的实时风险对策,如可变限速可以提高调查:崩溃的风险。
数据可用性
研究数据可用. csv格式的文件。他们可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究得到了国家自然科学基金(批准号52072071)。
引用
- c·李,b . Hellinga f . Saccomanno et al .,“实时碰撞预测模型应用在高速公路交通事故预防,”<我>交通研究记录:《交通研究委员会我>,卷1840,不。1,第77 - 67页,2003。视图:出版商的网站|谷歌学术搜索
- m . Abdel-Aty: Uddin, a·潘德m·f·阿布达拉和l .夏朝”预测高速公路事故从回路探测器数据匹配病例对照逻辑回归,”<我>交通研究记录:《交通研究委员会我>,卷1897,不。1,第95 - 88页,2004。视图:出版商的网站|谷歌学术搜索
- m . Abdel-Aty n . Uddin a潘德et al .,“分裂模型预测multivehicle崩溃在高速和低速操作条件在高速公路上,“<我>交通研究记录:《交通研究委员会我>,卷1908,不。1,51-58,2005页。视图:出版商的网站|谷歌学术搜索
- 问:Cai, m . Abdel-Aty j .元et al。”高速公路使用深生成模型的实时碰撞预测,“<我>交通研究C-Emerging一部分技术我>,117卷,2020年。视图:谷歌学术搜索
- 李p . m . Abdel-Aty, j .元,“实时碰撞风险预测基于LSTM-CNN干道,”<我>事故分析和预防我>,135卷,2020年。视图:出版商的网站|谷歌学术搜索
- p c .徐w . Wang, r·郭和z,“使用贝叶斯更新方法提高实时的时空可转让性崩溃风险预测模型,”<我>交通研究部分C:新兴技术我>,38卷,第176 - 167页,2014年。视图:出版商的网站|谷歌学术搜索
- x r . Yu王、杨k和m . Abdel-Aty”对上海城市高速公路事故风险分析:贝叶斯semi-parametric建模方法,”<我>事故分析和预防我>卷,95年,第502 - 495页,2016年。视图:出版商的网站|谷歌学术搜索
- y郭,t·赛义德·l·郑,m·艾萨”基于极值理论的方法校准微观分析模拟模型的安全性分析,“<我>仿真建模实践和理论我>,第106卷,第102172页,2021年。视图:出版商的网站|谷歌学术搜索
- 郭y, t·赛义德,l .郑”层次贝叶斯峰值超过阈值方法冲突之后,安全性评价主要行人间隔,”<我>事故分析和预防我>,第147卷,第105772页,2020年。视图:出版商的网站|谷歌学术搜索
- y郭、t·赛义德·m·艾萨“实时冲突模型贝叶斯托比特书路口十字路口的安全评价,“<我>事故分析和预防我>,第144卷,第105660页,2020年。视图:出版商的网站|谷歌学术搜索
- 吴y y郭,p . Liu, j .陈”评估右转治疗如何影响信号交叉路口的right-turn-on-red冲突,”<我>交通安全与安全》杂志上我>,12卷,不。3、419 - 440年,2020页。视图:出版商的网站|谷歌学术搜索
- m . Abdel-Aty a·潘德a Das, w . j . Knibbe”评估安全荷兰高速公路与轨道智能交通系统的数据,”<我>交通研究记录:《交通研究委员会我>,卷2083,不。1,第161 - 153页,2008。视图:出版商的网站|谷歌学术搜索
- m·侯赛因和y .室”,一个基于贝叶斯网络的框架,用于实时碰撞预测基本的城市高速公路高速公路段,“<我>事故分析和预防我>,45卷,第381 - 373页,2012年。视图:出版商的网站|谷歌学术搜索
- D.-f。陈、f·罗和y,“飞行安全风险耦合分析基于模糊集和复杂的网络,”<我>学报2013管理科学与工程国际会议我>,页329 - 334,伊斯兰堡,巴基斯坦,2013年11月。视图:谷歌学术搜索
- 刘t、f·罗和g .姚明,<我>数学分析空中交通控制安全风险耦合我>,2012年。
- f .郑M.-g。张,j .歌,F.-z。陈”,分析多因素灾难和灾难的风险控制在石油和天然气储罐,”<我>Procedia工程我>卷,211年,第1064 - 1058页,2018年。视图:出版商的网站|谷歌学术搜索
- 郑j . j . Wang, x, d .倪和k·李,“行车安全场理论建模及其在pre-collision预警系统中的应用,”<我>交通研究部分C:新兴技术我>卷,72年,第324 - 306页,2016年。视图:出版商的网站|谷歌学术搜索
- 徐,w . Wang和p .刘”的遗传规划模型实时碰撞预测高速公路,”<我>IEEE智能交通系统我>,14卷,不。2、574 - 586年,2013页。视图:出版商的网站|谷歌学术搜索
- j .太阳,j .太阳,陈平,“使用支持向量机模型的实时预测崩盘风险城市高速公路,”<我>交通研究记录我>,卷2432,不。1,第98 - 91页,2018。视图:谷歌学术搜索
- n . e . Fenton和m .尼尔,<我>与贝叶斯网络的风险评估和决策分析我>泰勒和弗朗西斯,弥尔顿公园,毫升,美国,2013年。
- 江m和j·鲁,“海上事故风险评估基于动态贝叶斯网络的海上航线,“<我>海事政策与管理我>卷,47号5,649 - 664年,2020页。视图:出版商的网站|谷歌学术搜索
- 汗,汗,和b·维奇”ship-ice碰撞风险的一个动态贝叶斯网络模型在北极水域,“<我>安全科学我>,130卷,2020年。视图:出版商的网站|谷歌学术搜索
- 吴x h·刘,张l, m . j . Skibniewski邓,j .腾,“基于动态贝叶斯网络方法在隧道施工安全决策支持,”<我>可靠性工程和系统安全我>卷,134年,第168 - 157页,2015年。视图:出版商的网站|谷歌学术搜索
- m·侯赛因和y .室”,一个实时碰撞预测模型对于城市高速公路的匝道,燕国,”<我>Iatss研究我>,37卷,不。1,第79 - 68页,2013。视图:出版商的网站|谷歌学术搜索
- a·罗伊·m·侯赛因,y什么的,“加强实时事故预测模型的预测性能:一个细胞transmission-dynamic贝叶斯网络方法,”<我>交通研究记录:《交通研究委员会我>,卷2672,不。38岁的58 - 68、2018页。视图:出版商的网站|谷歌学术搜索
- 答:罗伊,r .小林m·侯赛因et al .,“实时城市高速公路事故预测模型使用动态贝叶斯网络,”<我>日本土木工程师学会学报Ser D3我>,卷72,不。5,I_1331-I_1338, 2016页。视图:出版商的网站|谷歌学术搜索
- j .太阳和j .太阳,“动态贝叶斯网络模型实时碰撞预测使用交通速度条件下的数据,”<我>交通研究部分C:新兴技术我>54卷,第186 - 176页,2015年。视图:出版商的网站|谷歌学术搜索
- m·侯赛因·m·Abdel-Aty m . a . Quddus y什么的,和s . n . Sadeek“实时碰撞预测模型:先进、设计途径和无处不在的要求,“<我>事故分析和预防我>卷,124年,第84 - 66页,2019年。视图:出版商的网站|谷歌学术搜索
- t . y . f . Wang秦,b . Li x f .太阳,和y l·李,“火离岸平台基于动态贝叶斯网络的概率预测,“<我>海洋工程我>卷,2017篇文章ID 2525481, 18页,2017年。视图:出版商的网站|谷歌学术搜索
- l . Breiman“随机森林”,<我>机器学习我>,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
- a . Karimnezhad和f . Moradi”,使用贝叶斯网络的交通事故数据分析”,<我>交通信国际运输研究杂志》上我>,9卷,不。1,19,2015页。视图:谷歌学术搜索
- t, s .朱、郭y . et al .,“农村路边的安全风险评估使用贝叶斯网络方法,”<我>国际环境研究和公共卫生杂志》上我>,16卷,不。7日,2019年。视图:出版商的网站|谷歌学术搜索
- x邹和w·l·曰,“贝叶斯网络方法使用netica交通事故的因果关系分析,“<我>《先进的交通工具我>,2017年。视图:谷歌学术搜索
- d .盖革和d . Heckerman学习高斯网络”<我>不确定性程序1994我>,第243 - 235页,1994年。视图:出版商的网站|谷歌学术搜索
- 蒙蒂和g·f·库珀,“多元学习贝叶斯网络的混合数据离散化方法,”2013年,arXiv预印本arXiv: 1301.7403。视图:谷歌学术搜索
- r·科伯“ChiMerge:离散化的数值属性,”<我>第十届国家关于人工智能的会议我>美国加利福尼亚州圣何塞,1992年7月。视图:谷歌学术搜索
- m·卡利什和p . Buehlmann估计高维PC-algorithm有向无环图,“<我>机器学习研究杂志》上我>,8卷,第636 - 613页,2007年。视图:谷歌学术搜索
- f . Musella“电脑算法为序数变量变异,”<我>计算统计数据我>,28卷,不。6,2749 - 2759年,2013页。视图:出版商的网站|谷歌学术搜索
- “另类EM p·b·g·林赛,非参数方法有限混合模型,”<我>生物统计学我>,卷88,不。2、535 - 550年,2001页。视图:谷歌学术搜索
- s . l . Lauritzen“EM算法图形关联模型与缺失的数据,”<我>计算统计和数据分析我>,19卷,不。2、191 - 201年,1995页。视图:出版商的网站|谷歌学术搜索
版权
版权©2021年西安刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。