117
智能交通
NO.17 2020
智能城市 INTELLIGENT CITY
基于贝叶斯网络的交通事故致因路径分析
包 丹
（重庆交通大学交通运输学院，重庆 400074）
摘 要：利用贝叶斯网络解决不确定性问题的优势，采用MDL法优化网络结构，建立服从（0，1）分布的贝叶斯
估计法计算节点条件概率，分析了导致高速公路交通事故的影响因素，为了确定各因素之间的相互影响关系，建立了贝叶斯结构模型以便清楚地分析，并在GeNIe软件中得到违法违规、操纵不当、感知失误、车辆故障、自然环境、事故地点和隧道路段七个敏感节点。 关键词：贝叶斯网络；高速公路；交通事故；GeNIe软件
在交通事故中死亡的人数全世界每年约有125万人，全球机动车总数的54%为发展中国家的数量，但
全球交通事故数的90％为发展中国家[1]。交通安全是国家发展和经济增长的重要保障，随着我国进入经济平稳增长的新阶段，交通事故管理不容忽视。
对国内外交通事故进行系统的学习分析，发现大多学者是通过系统致因理论来分析交通事故的特点，这样分析出来的结果缺乏交通事故深层次、多因素之间的联系。Celika 等[2] 首次尝试使用无序反应模型对影响交通伤害严重程度的危险因素进行多项Logit分析。Lee等[3]进行结构方程建模，并使用统计拟合方法对模型拟合，得到优度指标。国内有学者提出了基于BP神经网络[4]和运用决策树[5]对交通事故进行了分析和分类研究，应用联合树引擎、结合网络模型[6]推断交通事故类型概率分布，前两种方法需要多个专家对风险因素进行评分来评估风险，但最后得到的结果主观因素相对较大。
syk-214通过对高速公路历史事故数据进行分析，挖掘出事故内在影响因素的深层规律，对重要影响因素之间的因果关系、连锁反应进行探寻。1 贝叶斯网络
贝叶斯网络是一种常见的概率分布模型，它表示系列的随机变量的联合概率分布。贝叶斯网络由两部分组成：一部分是有向无环图，表示变量之间的依赖关系；一部分是代表每个变量的条件概率分布的数值。贝叶斯学习包括：到最优有向无环图的结构学习，指定条件概率分布的参数学习。
1.1 贝叶斯网络结构学习
本文采用MDL（Minimum Description length，最小描述长度法）[7]
的网络结构学习，由于MDL简单的计算、容易被接受的结果，以及它偏向于选择简单的网络结构，不用事先算好参数的分布，所以MDL的结构复杂性被指定作为指标。
（1）
（2）
（3）
（4）
亨润成型机炮筒公司式中：
L 1——描述长度；L 2——变量X i 条件概率表的数据编码长度；
一体化机芯L 3——数据集合描述长度。1.2 贝叶斯网络参数学习
贝叶斯方法基于贝叶斯定理，网络节点变量的概率分布被认为是随机变量，样本数据和贝叶斯公式用于计算节点变量的学习参数。1.3 贝叶斯网络推理
贝叶斯网络结构模型的概率推理与他自身的性质和节点的条件概率表有关，证据在BN中引发概率推理的节点称为证据节点。观察到的节点变得实例化，这意味着在最简单的情况下，其结果是确定的。 证据的影响可以在整个网络中传播，以改变其他节点相对于证据概率的概率分布。网络节点的个数与节点之间复杂的关系，对推理的精确度有着较高的难度，而且很难准确计算概率值，这时可以接受节点粗糙推理的结果，推理可以分为精确推理与近似推理。2 高速公路交通事故致因模型建立2.1 确定模型中的贝叶斯网络节点
对收集到的成渝高速公路894个事故样本进行分析，将有可能的影响因素进行综合评判，从人（H）、车（V）、环境（E）和事故地点（S）四个方面选取高速公路交通事故致因因素，归纳影响因素节点共有14个，将输出节点设置为为事故（P），高速公路交通事故致因因素如表1所示。
表1 高速公路交通事故致因因素表汽车空气干燥器
项目致因因素
人为因素（H）违法违规H1（在驾车时一切的违法行为）
车辆定位
操纵不当H2（制动不当、转向不当等）
感知失误H3（未确认安全距离）车辆因素（V）车型V1（小汽车、客车、货车）车辆故障V2（车辆操作系统故障）环境因素（E）
自然环境E1（晴、雨、雾、雪天）人工环境E2（交通设施的设置）
事故地点（S）
普通路段S1
隧道路段S2（隧道出口、入口和内部）高速路出入口S3（匝道、收费站等处）
2.2 确定致因模型的贝叶斯网络结构
先对收集到的事故样本进行分析，确定出影响因素后再研究彼此之间的因果关系，优化得到的事故致因链条，用最小描述长度函数进行优化，形成最后的贝叶斯网络结构，
宇山自动化
