[发明专利]一种基于贝叶斯网络的交通违法行为严重等级预测方法

权利要求书

1.一种基于贝叶斯网络的交通违法行为严重等级预测方法，其特征在于，包括以下步骤：

S1：确定贝叶斯模型的变量；

S2：建立贝叶斯模型并训练该模型。

2.根据权利要求1所述的基于贝叶斯网络的交通违法行为严重等级预测方法，其特征在于，所述步骤S1的具体过程是：

根据对驾驶员性别、年龄、驾龄、违法事件发生时间段、违法车辆类型以及车辆归属地与交通违法严重等级的分析，确定这些因素作为贝叶斯模型的变量，一个训练集以及训练集中的参数可表示为：

X＝{G,A,D,T,W,V,O,L} (1)

其中：

G＝{0,1}表示性别，0表示女性，1表示男性；

A＝{0,1,2,3,4,5}表示年龄，其中0表示18-20岁，1表示21-30岁，2表示31-40岁，3表示41-50岁，4表示51-60岁，5表示61岁及以上；

D＝{0,1,2,3,4,5}表示驾龄，其中0表示0-3年，1表示4-6年，2表示7-10年，3表示10-15年，4表示16-20年，5表示21年及以上；

T＝{0,1,2}表示违法事件发生时间段，其中{0,1,2,}分别表示发生低频、中频、高频的交通违法事件的时间段；

V＝{0,1,2}表示车辆类型,其中{0,1,2,3}分别表示其他车辆、大型车、小汽车；

O＝{0,1}表示车牌归属地，其中0表示本地，1表示非本地；

L＝{1,2,3}表示违法行为等级，其中1表示轻微，2表示一般，3表示重大。

3.根据权利要求1所述的基于贝叶斯网络的交通违法行为严重等级预测方法，其特征在于，所述步骤S2的具体过程是：

根据各模型变量之间相关关系，建立基于贝叶斯网络的交通违法行为严重等级预测模型：

P(L|G,A,D,T,V,O)＝P(L|h)＝P(h|L)*P(L)/P(h)P(L|h) (2)

采用极大后验假设得到：

P(L|h)＝P(h|L)*P(L)(3)

令6个因素条件相互独立，(3)式可以写成：

P(L|h)=P(L)Πi=16P(hi|L)---(4).]]>