引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约...引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。展开更多
为揭示交叉口车道的布设、交通流量、车辆所在时空位置等要素对直行车辆出口车道选择行为的影响,保障直行车流运行安全,运用专家知识和相关性分析确定了由最内侧直行车道中线偏移角、进口车道位置等10个影响因素组成的贝叶斯网络(Bayesi...为揭示交叉口车道的布设、交通流量、车辆所在时空位置等要素对直行车辆出口车道选择行为的影响,保障直行车流运行安全,运用专家知识和相关性分析确定了由最内侧直行车道中线偏移角、进口车道位置等10个影响因素组成的贝叶斯网络(Bayesian Network,BN)结构,采用数据驱动法进行了参数学习,建立了直行出口车道选择BN模型。经验证,模型的平均绝对偏差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Deviation,RMSE)分别为4.37%、4.96%,具有良好的精度。应用正向推理得到:影响直行出口车道选择的主要因素是进口车道位置、进出口车道数量匹配性、进出口车道选择不匹配比例、最内侧车道中线偏移角;引入情景分析法可有效预测进口车道平均流量等不同影响因素组合波动时出口车道利用率的变化,如直行车辆由最内侧进口车道驶入直行最内侧车道中线左偏移角为2°~4°的交叉口,在直行车流为>600~900辆/(h·道)、绿色信号倒数(Green Signal Countdown Display,GSCD)显示到达的条件下,选择最内侧出口道的概率为44.6%。研究结果为交通管理部门提供了直行出口车道选择的预测工具,为交叉口直行车流安全理论研究提供支持与参考。展开更多
文摘引入专家知识已成为小数据集条件下贝叶斯网络建模的主流方法,然而,专家知识是否正确直接决定了算法的结果和性能。因此,在考虑专家知识正确性的基础上,本文对贝叶斯网络结构学习问题展开研究。首先,建立一种基于连接概率分布的结构约束模型来表示专家知识,进而结合该约束模型对贝叶斯信息准则(Bayesian information criterions,BIC)评分进行改进;最后,利用K2算法学习贝叶斯网络结构。实验结果表明,在小数据集条件下本文所提算法不仅能将专家知识引入到学习过程中,进而改善学习效果,并且对不完全正确的专家知识有一定的适应性。
文摘为揭示交叉口车道的布设、交通流量、车辆所在时空位置等要素对直行车辆出口车道选择行为的影响,保障直行车流运行安全,运用专家知识和相关性分析确定了由最内侧直行车道中线偏移角、进口车道位置等10个影响因素组成的贝叶斯网络(Bayesian Network,BN)结构,采用数据驱动法进行了参数学习,建立了直行出口车道选择BN模型。经验证,模型的平均绝对偏差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Deviation,RMSE)分别为4.37%、4.96%,具有良好的精度。应用正向推理得到:影响直行出口车道选择的主要因素是进口车道位置、进出口车道数量匹配性、进出口车道选择不匹配比例、最内侧车道中线偏移角;引入情景分析法可有效预测进口车道平均流量等不同影响因素组合波动时出口车道利用率的变化,如直行车辆由最内侧进口车道驶入直行最内侧车道中线左偏移角为2°~4°的交叉口,在直行车流为>600~900辆/(h·道)、绿色信号倒数(Green Signal Countdown Display,GSCD)显示到达的条件下,选择最内侧出口道的概率为44.6%。研究结果为交通管理部门提供了直行出口车道选择的预测工具,为交叉口直行车流安全理论研究提供支持与参考。
