[发明专利]基于改进PSO优化贝叶斯网络的高速公路事故成因分析方法

权利要求书

1.基于改进PSO优化贝叶斯网络的高速公路事故成因分析系统，其特征在于：所述系统包括：数据获取模块、关联规则分析模块、贝叶斯网络学习模块、先验知识名单获取模块、罚项模块、评分函数模块、改进粒子群搜索模块、测试模块；

所述数据获取模块用于获取数据集；数据集由随机变量组成；

所述随机变量指贝叶斯网络中的节点；

所述随机变量代表驾驶员信息、汽车运行状态或道路环境条件等；

所述关联规则分析模块用于根据随机变量间的关联规则，构建关联规则集；

所述强关联规则分析模块用于根据随机变量间的关联规则以及支持度阈值、置信度阈值构建强关联规则集；

所述贝叶斯网络学习模块用于从数据集中提取频繁项集，对频繁项集进行贝叶斯网络结构学习，得到最大频繁项集的贝叶斯网络结构；

所述先验知识名单获取模块用于根据强关联规则集和最大频繁项集的贝叶斯网络结构，提取黑白名单，加入先验知识；

所述罚项模块用于根据提取的黑白名单数据构建罚项；

所述评分函数模块用于根据罚项和BIC评分函数得到融合先验知识的正则化评分函数；

所述改进粒子群搜索模块用于根据融合先验知识的正则化评分函数以及改进粒子群算法循环搜索得到最优贝叶斯网络结构。

测试模块用于将待测高速公路交通事故中各随机变量数据输入最优贝叶斯网络结构，输出高速公路交通事故中各随机变量之间的关联关系。

2.基于权利要求1基于改进PSO优化贝叶斯网络的高速公路事故成因分析系统的高速公路事故成因分析方法，其特征在于：所述基于改进PSO优化贝叶斯网络的高速公路事故成因分析方法具体过程为：

步骤一、获取高速公路交通事故中数据集；数据集由随机变量组成；

所述随机变量指贝叶斯网络中的节点；

所述随机变量代表驾驶员信息、汽车运行状态或道路环境条件等；

步骤二、根据随机变量间的关联规则，构建关联规则集；

步骤三、根据随机变量间的关联规则以及支持度阈值、置信度阈值构建强关联规则集；

步骤四、从数据集中提取频繁项集，对频繁项数据集进行贝叶斯网络结构学习，得到最大频繁项集的贝叶斯网络结构；

步骤五、根据强关联规则集和最大频繁项数据集的贝叶斯网络结构，提取黑白名单；根据提取的黑白名单数据构建罚项；

步骤六、根据罚项和BIC评分函数得到融合先验知识的正则化评分函数；

步骤七、根据步骤六得到的融合先验知识的正则化评分函数以及改进粒子群算法对步骤四得到的最大频繁项集的贝叶斯网络结构进行循环搜索，通过不断的增、减边、逆转边操作，直至输出具有最高融合先验知识的正则化评分的最优贝叶斯网络结构，得到最优贝叶斯网络结构；

步骤八、将待测高速公路交通事故中各随机变量数据输入最优贝叶斯网络结构，输出高速公路交通事故中各随机变量之间的关联关系。

3.根据权利要求2所述的基于改进PSO优化贝叶斯网络的高速公路事故成因分析方法，其特征在于：所述步骤二中根据随机变量间的关联规则，构建关联规则集；具体过程为：

随机变量间的关联规则为随机变量间的支持度以及随机变量间的置信度；

对于任意两个随机变量v_i,v_j∈V,计算随机变量间的支持度和随机变量间的置信度，公式如下所示：

Sup(v_i→v_j)＝P(v_i∪v_j)

其中：V表示数据集；

Sup(v_i→v_j)表示随机变量v_i,v_j的支持度，即随机变量v_i、v_j同时发生的概率P(v_i∪v_j)；

Con(v_i→v_j)表示随机变量v_i,v_j的置信度，即在变量v_i发生的情况下，变量v_j发生的条件概率P(v_j|v_i)；

Sup(v_i)表示变量v_i的支持度。