發(fā)布時(shí)間：2016-08-26 06:42

  本文關(guān)鍵詞：基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

第３６卷第３期２００８年３月

同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）

ＪＯ．ｒＲＮＡＬＯＦＴＯＮＧＪＩＵＮＩＶＥＲＳＩＴＹ（ｂｌＡＴＵＲＡＬＳＣｌ日咂Ｚ）

Ｖｄ．３６Ｎｏ．３Ｍａｒ．２００８

基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)

姬楊蓓蓓，張小寧，孫立軍

（同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海２０００９２）

摘要：采用基于貝葉斯方法的決策樹(shù)算法，利用上海市中心城區(qū)１５３６個(gè)交通事件持續(xù)時(shí)間數(shù)據(jù)，建立交通事件持續(xù)時(shí)間的預(yù)測(cè)模型。結(jié)果表明，事件類(lèi)型是決策樹(shù)中的第一層測(cè)試屬性，不同類(lèi)型事件的特性屬性在決策樹(shù)中的位置并不相同。并用３８４個(gè)交通事件數(shù)據(jù)對(duì)模型的預(yù)測(cè)精度進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果表明，拋錨事件持續(xù)時(shí)間預(yù)測(cè)誤差小于１０ｒｏ＿ｈａ的正確率為７９％，而交通事故持續(xù)時(shí)間預(yù)測(cè)誤差小于２０ｍｉｎ的正確率為６５％。基于貝葉斯推理的決策樹(shù)算法比僅基于貝葉斯或僅基于決策樹(shù)算法的分類(lèi)精度更高，魯棒性更強(qiáng)。

關(guān)鍵詞：交通工程；交通事件；事件持續(xù)時(shí)間；預(yù)測(cè)方法；貝葉斯；決策樹(shù)中圖分類(lèi)號(hào)：Ｕ

４９１

文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：０２５３—３７４Ｘ（２００８）０３—０３１９一０６

ＴｒａｆｆｉｃＩｎｃｉｄｅｎｔＤｕｒａｔｉｏｎＰｒｅｄｉｃｔｉｏｎＧｒｏｕｎｄｅｄ

ｏｎ

Ｂａｙｅｓｉａｎ

ＤｅｃｉｓｉｏｎＭｅｔｈｏｄ—ＢａｓｅｄＴｒｅｅＡｌｇｏｒｉｔｈｍ

ＪＩＹＡＮＧＢｅｉｂｅｉ，ＺＨＡＮＧＸｉａｏｎｉｎｇ，ＳＵＮＬｉｊｕｎ

（ＳｅｈⅪｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＥｌｌｇｉｍｅｒｉｎｇ。ＴｏｒｓｉＵｎｉｖｅｒｓｉｔｙ，島ａｎｇＩｌａｉ２０００９２，ＣＩｌｉ瑚）

Ａｂｓｔｒａｃｔ：Ｔｈｅｐａｐｅｒｐｒｅｓｅｎｔｓ

ｏｎ

ａ

ｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｏｆｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｄｕｒａｔｉｏｎｏｆ

ｅｘｐｒｅｓｓｗａｙ，ｇｒｏｕｎｄｅｄ

ｔｈｅＢａｙｅｓｉａｎ

ｍｅｔｈｏｄ—ｂａｓｅｄｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄ１５３６ｉｎｃｉｄｅｎｔｄａｔａｏｆＳｈａｎｇｈａｉ

ｔｏｔｅｓｔ

ｃｅｎｔｒａｌｃｉｔｙｅｘｐｒｅｓｓｗａｙ．Ａｎｄ３８４ｉｎｃｉｄｅｎｔｄａｔａｗｅｒｅａｄｏｐｔｅｄ

ｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｉｓ

ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｎｃｉｄｅｎｔｔｙｐｅｉＳｔｈｅｆｉｒｓｔｌａｙｅｒｏｆｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅａｎｄｄｉｆｆｅｒｅｎｔｉｎｃｉ．

ｄｅｎｔｈａｓｄｉｆｆｅｒｅｎｔｔｅｓｔａｔｔｒｉｂｕｔｅｓ．ＴｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆａｎｃｈｏｒｄｕｒａｔｉｏｎｉＳ７９％ｗｉｔｈ１０ｍｉｎｕｔｅｓｗｈｉｌｅｔｈａｔｏｆａｃｃｉｄｅｎｔｍｅｔｈｏｄｂａｓｅｄ

ａｎ

ｅｒｒｏｒ

ｏｆ

ｄｕｒａｔｉｏｎｉＳ６５％ｗｉｔｈ

ａｃｃｕｒａｔｅ

ａｎｅｒｒｏｒ

ｏｆ２０ｍｉｎｕｔｅｓ．Ｓｏｔｈｅ

ｔｈｅ

Ｂａｙｅｓｉａｎ

ｂａｓｅｄ

ｏｎ

ｄｅｃｉｓｉｏｎ

ｏｒ

ｔｒｅｅ

ａｌｇｏｒｉｔｈｍｉｓｍｏｒｅ

ａｎｄｓｔａｂｉｌｉｚｅｄｔｈａｎｍｅｔｈｏｄ

Ｂａｙｅｓｉａｎ

ｍｅｔｈｏｄ

ｄｅｃｉｓｉｏｎｔｒｅｅｒｅｓｐｅｃｔｉｖｅｌｙ．ｅｎｇｉｎｅｅｒｉｎｇ；ｔｒａｆｆｉｃ

Ｋｅｙｗｏｒｄｓ：ｔｒａｆｆｉｃ

ｉｎｃｉｄｅｎｔ；ｉｎｃｉｄｅｎｔｄｕｒａｔｉｏｎ；ｐｒｅｄｉｃｔｉｏｎ

ｍｅｔｈｏｄ；Ｂａｙｅｓｉａｎ

ｍｅｔｈｏｄ；ｄｅｃｉｓｉｏｎｔｒｅｅ

交通擁堵已經(jīng)成為世界上很多國(guó)家面臨的主要對(duì)上海城市快速路的調(diào)查表明，僅中心區(qū)平均每天的交通事件達(dá)４０－８０次（包括拋錨和交通事故）．交

交通問(wèn)題之一．有關(guān)研究表呼¨，由高速公路事件

引起的偶發(fā)性交通擁堵（如交通事故，拋錨車(chē)輛，天氣變化等），已占城市快速路總擁堵的５０％－７５％．

通管理者必須充分了解交通事件的性質(zhì)和嚴(yán)重程

度，以及道路的具體情況，從而實(shí)現(xiàn)有效的交通事件

收稿日期：２００７—０５—０９

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（７０４０１０１６）

作者簡(jiǎn)介：姬楊蓓蓓（１９８１一）．女．博士生，主要研究方向?yàn)榻煌üこ�，Ｅ－ｍａｉｌ：０５１０１２０００１＠ｍａａｉｌ．ｔｏｎｉ．ｅｄｕ．�?/p>

孫立軍（１９６３一），男，教授，博士生導(dǎo)師，工學(xué)博士，主要研究方向?yàn)榈缆放c交通工程，Ｂｍ越ｌ：ｂ蛐＠髓ｍ．ｔｏｎｇｉｉ．ｅｄｕ．∞

萬(wàn)方數(shù)據(jù)　

同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）第３６卷

管理．然而，對(duì)于交通管理者而言，最困難是預(yù)估交

通事件的持續(xù)時(shí)間．預(yù)估準(zhǔn)確，有助于決定采取適當(dāng)?shù)墓芾泶胧?/p>

很多研究者在交通事件持續(xù)時(shí)間的預(yù)測(cè)方法研

究中有所嘗試，提出了多種預(yù)測(cè)方法，如基于概率的

預(yù)測(cè)模型、線性回歸模型、決策樹(shù)模型、非參數(shù)回歸模

型、模糊邏輯模型等【２－３］．除了決策樹(shù)模型外，其他模

型還需要了解事件的詳細(xì)信息，因此很難用于實(shí)際的交通事件管理中．本文采用基于貝葉斯方法的決策樹(shù)分類(lèi)算法【４Ｊ，建立交通事件持續(xù)時(shí)間的決策樹(shù)．該方法的主要特點(diǎn)是提高了精度和分類(lèi)的魯棒性，可更好

地處理不一致、不完整和噪聲干擾數(shù)據(jù)．

１模型的建立

１．１貝葉斯方法

樸素的貝葉斯分類(lèi)方法是貝葉斯方法中實(shí)用性很高的一種學(xué)習(xí)方法，其關(guān)鍵是使用概率表示各種形式的不確定性．在選擇某事件面臨不確定性時(shí)，在

某一時(shí)刻假定此事件會(huì)發(fā)生的概率，然后根據(jù)不斷

獲取的新信息修正此概率．修正前和修正后的概率分別為先驗(yàn)概率、后驗(yàn)概率．

每個(gè)數(shù)據(jù)樣本用一個(gè)，ｚ維特征向量Ｘ＝｛ｚｌ，ｚ２，…，ｚ。｝表示，分別描述對(duì)，１個(gè)屬性Ａ１，Ａ２，…，Ａ。樣本的，ｚ個(gè)度量．假定有ｍ個(gè)類(lèi)Ｃ１，Ｃ２，…，Ｃ優(yōu)，給定１個(gè)未知的數(shù)據(jù)樣本ｘ（即沒(méi)有類(lèi)標(biāo)號(hào)），分類(lèi)器將預(yù)測(cè)ｘ屬于具有最高后驗(yàn)概率（條件ｘ下）的類(lèi)．也就是說(shuō)，樸素貝葉斯分類(lèi)將未知的樣本

分配給Ｇ（１≤ｉ≤ｍ），當(dāng)且僅當(dāng)Ｐ（ｃｆＩｘ）＞Ｐ（Ｇｘ），對(duì)任意的歹＝１，２，…，ｍ，Ｊ≠ｉ．這樣，最大化為Ｐ（Ｇｘ），最大的類(lèi)為最大后驗(yàn)假定．由貝葉斯定理

Ｐ（Ｇ㈣＝塑景產(chǎn)（１）

由于Ｐ（Ｘ）對(duì)于所有類(lèi)為常數(shù)，只需要Ｐ（ｘ

Ｃｉ）Ｐ（Ｇ）最大即可．其中，Ｐ（Ｇ）＝＆／ｓ，＆是類(lèi)Ｇ

中的訓(xùn)練樣本數(shù)，而ｓ是訓(xùn)練樣本總數(shù)．為了簡(jiǎn)化計(jì)算，可以做類(lèi)條件獨(dú)立的樸素假定，即屬性值相互獨(dú)

立（屬性問(wèn)不存在依賴關(guān)系）．這樣

Ｐ（ｘ

ｃｆ）＝ｌ＇【Ｐ（戤ｌ

Ｇ）

（２）

其中，概率Ｐ（ｚｌＣｉ），Ｐ（ｚ２Ｇ），…，Ｐ（ｚ。ＩＧ）＂－－Ｉ

以由ｉ／ｌｌ練樣本估計(jì)．

萬(wàn)　

方數(shù)據(jù)對(duì)未知樣本ｘ分類(lèi)，也就是對(duì)每個(gè)類(lèi)Ｃｆ，計(jì)算

Ｐ（ｘｌＣｉ）Ｐ（Ｃｉ）．樣本ｘ被指派到類(lèi)Ｇ，當(dāng)且僅當(dāng)Ｐ（ＧＸ）＞Ｐ（Ｃｉｘ），１≤．ｆ≤ｍ，歹≠ｉ．換言之，ｘ

被指派到其Ｐ（ＸＩＧ）Ｐ（Ｇ）最大的類(lèi)．

１．２決策樹(shù)

決策樹(shù)分類(lèi)方法是應(yīng)用最廣泛的邏輯方法之

一，它從一組無(wú)次序、無(wú)規(guī)則的事例中，推理出決策樹(shù)表示形式的分類(lèi)規(guī)則．決策樹(shù)分類(lèi)方法采用自頂向下的的遞歸方式，在決策樹(shù)的內(nèi)部節(jié)點(diǎn)比較屬性

值，并根據(jù)不同的屬性值判斷從該節(jié)點(diǎn)向下的分支，在決策樹(shù)的葉節(jié)點(diǎn)得到結(jié)論．所以，從決策樹(shù)的根到

葉節(jié)點(diǎn)的一條路徑就對(duì)應(yīng)著一條合取規(guī)則，整棵決策樹(shù)就對(duì)應(yīng)著一組析取表達(dá)式規(guī)則．基于決策樹(shù)的分類(lèi)算法的一個(gè)最大的優(yōu)點(diǎn)就是學(xué)習(xí)過(guò)程中不需要

使用者全面了解背景知識(shí)．

１．３基于貝葉斯推理的決策樹(shù)【４】

在原有決策樹(shù)Ｔ的基礎(chǔ)上，在Ｔ中加人新的節(jié)點(diǎn)，此節(jié)點(diǎn)位于Ｔ的兩個(gè)屬性測(cè)試節(jié)點(diǎn)之間，能夠

根據(jù)貝葉斯原理計(jì)算此節(jié)點(diǎn)．此節(jié)點(diǎn)稱為貝葉斯節(jié)點(diǎn)，具有這樣節(jié)點(diǎn)的決策樹(shù)稱作貝葉斯決策樹(shù)．本文用基于貝葉斯方法的決策樹(shù)分類(lèi)算法，建立了交通事件持續(xù)時(shí)間預(yù)測(cè)模型．圖１為基于貝葉斯推理的

決策樹(shù)模型示意圖．

屬性節(jié)點(diǎn)

條件節(jié)點(diǎn)貝葉斯節(jié)點(diǎn)

屬性節(jié)點(diǎn)

圖１基于貝葉斯方法的決策樹(shù)模型

Ｆｉｇ．１

Ｄｅｃｉｓｉｏｎｔｒｅｅ

ａｌｇｏｒｉｔｈｍｍｏｄｅｌｂａｓｅｄＯｎ

Ｂａｙｅｓｉａｎ

Ｍｅｔｈｏｄ

經(jīng)過(guò)條件節(jié)點(diǎn)口后，判斷貝葉斯條件的０和廠

值．０表示節(jié)點(diǎn)不進(jìn)行任何計(jì)算，直接根據(jù)條件口轉(zhuǎn)向下一屬性測(cè)試節(jié)點(diǎn)；廠表示需要計(jì)算廠的值．這里

的函數(shù)廠是樸素的貝葉斯公式，即如果貝葉斯節(jié)點(diǎn)需要廠值，則下一個(gè)屬性節(jié)點(diǎn)的選擇依賴于兩點(diǎn)：

①屬性測(cè)試條件口；②函數(shù)廠的值．

基于貝葉斯方法的決策樹(shù)分類(lèi)算法的基本思想

是：對(duì)于能夠用信息增益方法確切選擇某個(gè)屬性的

分支，選取貝葉斯節(jié)點(diǎn)的０值；對(duì)于數(shù)據(jù)對(duì)象具有二義性，或?qū)傩灾祦G失的數(shù)據(jù)，如某一交通事件的傷亡

第３期

姬楊蓓蓓，等：基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)

情況未知，則選�。畯S值，利用貝葉斯方法確定其后

驗(yàn)概率，選取后驗(yàn)概率最大的那一類(lèi)，此類(lèi)即為數(shù)據(jù)

對(duì)象所屬的類(lèi)別．其中，信息增益法是基于信息論中

熵的概念［５Ｊ，算法選擇具有最高信息增益的屬性作為當(dāng)前節(jié)點(diǎn)的測(cè)試屬性．

設(shè)ｓ是５個(gè)數(shù)據(jù)樣本的集合，假定類(lèi)標(biāo)號(hào)屬性

具有ｍ個(gè)不同值，定義ｍ個(gè)不同類(lèi)Ｇ（ｉ＝１，２，…，

ｍ）；設(shè)＆是類(lèi)ｅ中的樣本數(shù)，對(duì)一個(gè)給定的樣本分類(lèi)所需的期望信息由下式給出：

Ｊｅ

Ｉ（ｓ１，ｓ２，…，％）＝一∑Ｐｆｌｂ（Ｐｉ）

（３）

ｆ＝ｌ

其中：Ｐ；是任意樣本屬于Ｇ的概率，一般可用ｓ。／ｓ

來(lái)估計(jì)；ｌｂ是以２為底的對(duì)數(shù)．設(shè)屬性Ａ具有７３個(gè)

不同值｛ａ１，口２，…，ａ。｝；可以用屬性Ａ將Ｓ劃分為口個(gè)子集｛ｓｌ，５２，…，踮｝．其中，島包含Ｓ中這樣一些樣本，它們?cè)冢辽暇哂兄担幔辏绻磷鳛闇y(cè)試屬

性，則這些子集對(duì)應(yīng)于由包含集合Ｓ的節(jié)點(diǎn)生長(zhǎng)出

來(lái)的分支．設(shè)ｓ打是子集ｓｊ中類(lèi)Ｇ的樣本數(shù)，根據(jù)Ａ劃分成子集的熵由下式給出：

Ｅ（Ａ）＝宴笪竿÷立ｍ∽趼…，％）

』＝１

ｏ

（４）

熵值越小，子集劃分的純度越高．由上面給出的

期望信息計(jì)算式，對(duì)于給定子集％其期望信息為

Ｊｅ

Ｉ（Ｓｌｊ，５巧，…，ｓｍｊ）＝一２ｊ戶巧ｚ６（戶巧）

（５）

其中，，ｐｆｆ＝ｓ∥ｈｌ是ｓｉ中的樣本屬于類(lèi)ｃｉ的概率．

由期望信息和熵值可以得到對(duì)應(yīng)的信息增益值．對(duì)于在Ａ上分支將獲得的信息增益，可以由下

面的公式得到：

Ｇ（Ａ）＝Ｊ（５１，ｓ２，…，ｓ。）一Ｅ（Ａ）

（６）

算法計(jì)算每個(gè)屬性的信息增益，并選取具有最

高增益的屬性作為給定集合的測(cè)試屬性．對(duì)被選取的測(cè)試屬性創(chuàng)建一個(gè)節(jié)點(diǎn)，并以該屬性標(biāo)記對(duì)該屬

性的每個(gè)值創(chuàng)建一個(gè)分支，并據(jù)此劃分樣本．

２數(shù)據(jù)來(lái)源

收集大量的交通事件數(shù)據(jù)對(duì)交通事件分類(lèi)研究和準(zhǔn)確地預(yù)測(cè)交通事件持續(xù)時(shí)間有著非常重要的意義．本研究采用“上海市城市快速路監(jiān)控中心”的交

通事件數(shù)據(jù)作為分析數(shù)據(jù)源．上海市城市快速路監(jiān)

控中心（簡(jiǎn)稱高架道路監(jiān)控中心）隸屬于上海市市政工程管理處，于２００２年成立，承擔(dān)著上海市高架道

萬(wàn)　

方數(shù)據(jù)路交通監(jiān)控系統(tǒng)、地面交叉口交通信息采集系統(tǒng)的建設(shè)，以及交通信息的發(fā)布、交通分析評(píng)價(jià)等工作．在監(jiān)控中心龐大的數(shù)據(jù)系統(tǒng)中，有交通事件較詳細(xì)的記錄，包括日常城市快速路的養(yǎng)護(hù)、處理城市快速路上的拋錨車(chē)輛和重大交通事故等．

選擇與目前處理事件的條件差異不大的數(shù)據(jù)來(lái)標(biāo)定模型，減少了數(shù)據(jù)的離散性，避免了由于數(shù)據(jù)離散性本身對(duì)模型精度的影響．所分析的交通事件數(shù)據(jù)是２００７年１～５月發(fā)生在上海市中心城區(qū)高架道路上的車(chē)輛拋錨和交通事故，選取了１５３６個(gè)交通

事件數(shù)據(jù)分析研究，將樣本隨機(jī)分為兩類(lèi)，一類(lèi)用于決策樹(shù)的標(biāo)定，標(biāo)定數(shù)據(jù)為１１５２個(gè)，占樣本總數(shù)的

７５％；另一類(lèi)驗(yàn)證生成決策樹(shù)，共３８４個(gè)，占樣本總

數(shù)的２５％．

表１為標(biāo)定和驗(yàn)證模型的交通事件數(shù)據(jù)的描述性統(tǒng)計(jì)．由表可見(jiàn)，小于２０ｍｉｎ的事件比例占一半

以上．可見(jiàn)，持續(xù)時(shí)間較短的交通事件占的比例較

大．這主要是因?yàn)橹行膮^(qū)快速路的大部分交通事件

為拋錨事件，一般對(duì)拋錨事件采用牽引車(chē)直接牽引

的方法，隨著牽引車(chē)工作效率的提高，拋錨事件的持續(xù)時(shí)間大大縮短．因此，中值也偏�。畼�(biāo)定數(shù)據(jù)的中值為１６ｍｉｎ，而驗(yàn)證數(shù)據(jù)的中值為２５ｍｉｎ．交通事件持續(xù)時(shí)間的標(biāo)準(zhǔn)差受到大量拋錨數(shù)據(jù)的影響，也偏小．標(biāo)定數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的各項(xiàng)指標(biāo)具體見(jiàn)表１．

表１用于標(biāo)定和驗(yàn)證的交通事件數(shù)據(jù)的描述性統(tǒng)計(jì)

Ｔａｂ．１

Ｄｅｓｃｒｉｐｔｉｖｅｓｔａｔｉｓｔｉｃｏｆｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｄａｔａｆｏｒｖａｌｉｄａｔｉｏｎａｎｄｃａｌｉｂｒａｔｉｏｎ

３決策樹(shù)模型的建立和檢驗(yàn)

構(gòu)造好的決策樹(shù)，關(guān)鍵在于選擇好的邏輯判斷或?qū)傩裕畬?duì)于同一個(gè)問(wèn)題，可以構(gòu)造出很多決策樹(shù)．

一般情況下。樹(shù)越小，樹(shù)的預(yù)測(cè)能力越強(qiáng)．要構(gòu)造盡可能小的決策樹(shù)，關(guān)鍵在于選擇恰當(dāng)?shù)倪壿嬇袛嗷?/p>

屬性．筆者應(yīng)用上述基于貝葉斯方法的決策樹(shù)算法，

同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）

第３６卷

對(duì)１１５２個(gè)交通事件數(shù)據(jù)進(jìn)行分析，建立中心城區(qū)

及車(chē)輛數(shù)；③傷亡人數(shù)；④是否涉及大巴士；⑤是

高架道路的交通事件持續(xù)時(shí)間預(yù)測(cè)決策樹(shù)模型．

影響交通事件持續(xù)時(shí)間的因素很多．表２給出了各種影響因素，實(shí)際收集的交通事件數(shù)據(jù)并沒(méi)有包括所有的影響因素，只包括：①事件類(lèi)型；②涉

否涉及貨車(chē)；⑥貨車(chē)上有否拋灑物；⑦是否工作日；⑧是否高峰期；⑨天氣因素；⑩是否有交警到

位；⑩是否有救護(hù)車(chē)救援；⑩是否有消防車(chē)救援．

表２交通事件持續(xù)時(shí)間的影響因素

Ｔａｂ．２

Ｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｏｆｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｄｕｒａｔｉｏｎ

事件的其他影響因素

發(fā)生的時(shí)間

發(fā)生的地點(diǎn)

需要的救援措施

鮮啡工作日１無(wú)０斑ｍ臻髏老奎趁耬

憩概

婿鸛陣焙射車(chē)

髏棼有無(wú)

２

ｓ≥４磐票黎器鋈莩有無(wú)有無(wú)有無(wú)有無(wú)

性：車(chē)輛類(lèi)型，傷亡情況，車(chē)輛數(shù)目；火燒事件持續(xù)時(shí)間的測(cè)試屬性：車(chē)輛類(lèi)型，傷亡情況，設(shè)施損壞情況；追尾事件持續(xù)時(shí)間的測(cè)試屬性：涉及車(chē)輛數(shù)，車(chē)輛類(lèi)型。有無(wú)傷亡；碰撞事件持續(xù)時(shí)間的測(cè)試屬性：傷亡情況，有否死亡，車(chē)輛類(lèi)型，地面散落物．因此，可得出上海市中心城區(qū)快速路的事件持續(xù)時(shí)間的關(guān)鍵影響因素是事件類(lèi)型和嚴(yán)重性．其他因素如是否高峰、是否工作日、是否有其他方式的救援，并非主要的．

根據(jù)每個(gè)影響因素的信息增益值，可以得到?jīng)Q

策樹(shù)；對(duì)于有些事件的某些信息不能完全獲得，如某

一交通事件剛發(fā)生時(shí)。不知道確切的傷亡人數(shù)，此

時(shí)，可根據(jù)樸素的貝葉斯方法，確定其分類(lèi)．計(jì)算第一個(gè)分支的１２個(gè)影響因素（屬性）的增益值分別為

Ｇ（事件類(lèi)型）＝０．３６３Ｇ（傷亡人數(shù)）＝０．２１３

Ｇ（貨車(chē)上有否拋灑物）＝０．０１４Ｇ（是否是高峰期）＝０．００６Ｇ（是否有交警到位）＝０．０６７Ｇ（是否有消防車(chē)救援）＝０．１１０Ｇ（涉及車(chē)輛數(shù)）＝０．２６８Ｇ（車(chē)輛類(lèi)型）＝０．１４７Ｇ（是否工作日）＝０．００９Ｇ（天氣因素）＝０．００４Ｇ（有否救護(hù)車(chē)救援）＝０．１０９

由于事件類(lèi)型的增益值最高，因此，它首先作為測(cè)試屬性分類(lèi)，如圖２所示．若事件類(lèi)型中有不完全的屬性值或?qū)傩灾涤卸x性（如交通事件中的追尾和

．

圖２決策樹(shù)的頂層結(jié)構(gòu)

Ｆｉｇ．２

Ｔｏｐｓｔｒｕｃｔｕｒｅｏｆｔｈｅｄｅｃｉｓｉｏｎｆｒｅｅ

ａｌｇｏｒｉｔｈｍ

由決策樹(shù)可以看出，每一類(lèi)事件各層的測(cè)試屬性不盡相同．如翻車(chē)和火燒的第一層為車(chē)輛類(lèi)型，而追尾的第一層為車(chē)輛數(shù)，碰撞的第一層為傷亡情況．

碰撞有時(shí)很難區(qū)分），則按貝葉斯方法計(jì)算，再分類(lèi)．

依次尋找五種類(lèi)型交通事件的下一層的測(cè)試屬

性，最后得出決策樹(shù)，見(jiàn)圖３．

拋錨事件的持續(xù)時(shí)間較短，且數(shù)據(jù)庫(kù)中對(duì)拋錨事件的屬性描述也較少，因此，根據(jù)車(chē)輛能否移動(dòng)進(jìn)

葉子節(jié)點(diǎn)給出了各分類(lèi)事件的平均持續(xù)時(shí)間及其變

化范圍．從預(yù)測(cè)結(jié)果可以看出，事件的持續(xù)時(shí)間變異性較大，這主要是因?yàn)橛绊懸蛩剌^多，如表２中的影響因素不能全部獲得，而且還有一些不可獲得的屬

行分類(lèi)．由分類(lèi)結(jié)果得出平均持續(xù)時(shí)間較短．翻車(chē)事件持續(xù)時(shí)間，根據(jù)各屬性的增益值，得到分類(lèi)測(cè)試屬

性，如肇事者的年齡、喜好，車(chē)輛使用年限和性能等．

萬(wàn)方數(shù)據(jù)　

第３期

姬楊蓓蓓，等：基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)

３２３

ａ拋錨事件

ｃ火燒事件持續(xù)時(shí)間

ｄ追尾事件持續(xù)時(shí)間

ｃ碰撞事件持續(xù)時(shí)間

圍３各決策樹(shù)結(jié)構(gòu)（單位：ｍｉｎ｝

Ｆｉｇ．３

Ｄｅｃｉｓｉｏｎｔｒｅｅｓｔｒｕｃｔｕｒｅｏｆａｌｌｋｉｎｄｓｏｆ

ｉｎｃｉｄｅｎｔｓ（ｕｎｉｔ：ｒａｉｎ）

萬(wàn)

　

方數(shù)據(jù)

博泰典藏網(wǎng)btdcw.com包含總結(jié)匯報(bào)、自然科學(xué)、計(jì)劃方案、農(nóng)林牧漁、醫(yī)藥衛(wèi)生、黨團(tuán)工作、出國(guó)留學(xué)、經(jīng)管營(yíng)銷(xiāo)以及基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)_圖文等內(nèi)容。

本文共2頁(yè)12

  本文關(guān)鍵詞：基于貝葉斯決策樹(shù)的交通事件持續(xù)時(shí)間預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：103782