论文部分内容阅读
以频繁变道、违章变道等为代表的车辆异常行为逐渐成为城市道路拥堵,交通事故多发的主要原因。研究变道行为发生的影响因素,提取有效的交通数据,建立可靠的变道行为分析模型,对解决交通安全问题具有重要的意义。本文通过研究贝叶斯网络(Bayesian network,BN),建立了改进BN结构学习的车辆变道模型及多特征BN变道模型。论文主要工作包括以下三个部分:(1)提出基于I-CH评分的K2学习算法。传统的K2算法中对于网络结构先验概率服从均匀分布的假设存在一定的缺陷,容易忽略网络结构的先验信息,针对此问题,本文在CH评分的基础上,借助连接概率信息构造了一个新的可以用来描述网络结构先验的I-CH评分函数。采用Asia网和Alarm网作为仿真模型,结果表明,基于I-CH评分的K2算法进行BN结构学习得到的网络结构更加准确,尤其在小采样数据下,平均汉明距离最低,且结构得分相比于其它评分函数均有所提高。(2)提出基于改进BN结构学习的车辆变道模型。首先,筛选NGSIM数据作为实验样本,建立局部分块特征提取准则获得特征变量,并利用ChiMerge算法对变量离散化预处理;然后,通过变量间互信息的计算,结合初始网络获得连接概率矩阵;最后,基于I-CH评分的K2算法实现BN结构学习和参数学习,创建车辆变道模型,并对模型进行推理验证。实验表明,本文模型对变道行为的识别率达到71.70%,相比CH评分建立的模型提高了 7.38%。(3)建立基于节点序优化的多特征BN变道模型。针对已建立的模型存在精度较低的问题,本文结合实际的车辆变道行驶场景,新加入了包含车辆横向位移在内的6个新的特征作为BN模型的输入变量。为了解决K2算法中节点序随机性问题,引入主成分分析法进行节点顺序优化,结合I-CH评分建立多特征BN变道模型并对模型推理验证,与改进BN结构学习的车辆变道模型相比,多特征BN模型对变道行为的识别率提高到94.71%,提高了 23.01%。