[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

说明书

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，本申请涉及高速公路交通事故成因分析方法。本发明的目的是为了解决现有方法对高速公路交通事故确定各因素的关联关系准确度低的问题。过程为：一、获取高速公路交通事故中数据集；二、构建关联规则集；三、构建强关联规则集；四、得到最大频繁项集的贝叶斯网络结构；五、构建罚项；六、得到正则化评分函数；七、根据正则化评分函数以及改进粒子群算法对最大频繁项集的贝叶斯网络结构进行循环搜索，得到最优贝叶斯网络结构；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。本发明用于高速公路事故数据处理领域。

技术领域

本申请涉及高速公路事故数据处理领域，特别是涉及高速公路交通事故成因分析方法。

背景技术

在现有的高速公路交通安全管理系统中，在进行事故的成因分析方面，对高速公路交通事故各因素的关联关系确定准确率低，随着机器学习领域的不断发展，智能算法融合到事故数据的分析成为可能，贝叶斯网络是一种有效的概率图模型，可以表示随机变量之间的关联。结构学习是贝叶斯推断的重要部分。而为提高贝叶斯网络结构学习准确度，寻优算法及结构先验被应用于结构学习。传统的寻优算法如离散粒子群、爬山算法等用于贝叶斯网络的结构学习均有收敛速度慢、易陷入局部最优等问题，结构学习准确度有待提高。

发明内容

本发明的目的是为了解决现有方法对高速公路交通事故确定各因素的关联关系准确度低的问题，而提出基于改进PSO优化贝叶斯网络的高速公路事故成因分析方法。

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；

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。

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；