动态贝叶斯网络在水文预报中的应用

贝叶斯网络是目前人工智能中不确定知识与推理中最有效的理论模型之一。提出一种基于动态贝叶斯网络模型理论的水文预报方法。在综合考虑降雨径流成因的基础上,利用领域专家知识构建网络模型,在已有降雨、流量数据的基础上通过计算变量间的条件概率来计算流量发生的可能性。最后,通过渭河流域咸阳至临潼段历时数据进行仿真实验,对仿真结果和该模型进行了分析。     

基于贝叶斯预测的自主车辆避障方法研究

针对在动态环境中自主车辆对于动态障碍物信息很难具有先验知识的问题,研究了动态贝叶斯网络模型对机动目标运动状态进行贝叶斯预测的推理机理,提出了一种基于贝叶斯预测进行自主车辆避障路径规划控制方法;该规划方法在VORONOI图法基础上,融合了对自主车辆和周围环境之间的位置荚系的贝叶斯预测,一旦预定任务的动态环境发生重大变化,它可以产生机动目标沿某方向前进信息的预测先验知识,通过局部多次重规划生成避障路径,直至自主车辆完成既定任务;仿真实验证明了该规划控制方法可有效帮助自主车辆在不确定环境中实施避障策略.     

基于贝叶斯网络的煤与瓦斯突出预测研究

贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。为了正确预测煤与瓦斯突出的危险性,提出了一种基于贝叶斯网络的煤与瓦斯突出预测方法。在综合影响煤与瓦斯突出的因素和领域专家知识的基础上建立了网络结构,通过对先验知识和样本数据的学习,实现了煤与瓦斯突出的预测,取得了较好的效果。实验表明,该模型网络学习速度快,准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

基于贝叶斯网络理论的交通事件预测模型

在综合考虑影响交通安全因素的基础上,采用贝叶斯网络理论,提出了一种交通事件预测模型。在模型的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算各类交通事件发生的可能性,从而达到预测的目的。最后对该模型进行仿真实验,并对实验结果进行了分析,验证了模型的有效性。     

汽车交通事故混沌分析及预测方法

提出一种新型的事故混沌理论.利用混沌理论和故障树法分析了汽车交通事故中的混沌特性,建立了基于事故混沌理论的汽车交通事故预测模型,并分析了预测模型的最大可预测尺度.该预测模型利用相空间近邻等距法对交通事故中的混沌吸引子进行预测,从而实现了对汽车交通事故的预测.仿真结果表明事故混沌理论对分析和预测汽车交通事故是有效的.     

混合多元回归学习模型的改进

研究统计方法分析问题,针对在实际应用外特性模型的输入普遍为混合变量,既包括连续随机变量,也包括离散随机变量.目前已有混合多元回归学习模型大多只处理连续随机变量,且有着多重共线性的缺陷.针对上述问题,研究了基于贝叶斯网络的回归树学习模型.基于贝叶斯网络的回归树学习模型的研究方法建立在朴素贝叶斯网络模型基础上,采用分而治之的原则构造决策树,以朴素贝叶斯取代叶节点.在2个UCI机器学习数据集上的仿真实验结果表明模型性能良好.基于贝叶斯网络的回归树学习模型可以有效减小预测误差.     

数据驱动的多变量报警事件预测

对生产过程中的报警事件进行预测能够预测危险工况,指导操作人员实施相应的措施,从而避免危险事故的发生。论文提出了一种基于贝叶斯网络模型(Bayesian network)的报警事件预测方法,首先通过历史数据提取报警事件序列,分别建立单变量和多变量报警事件的贝叶斯网络,采用期望最大化(EM)算法和贪婪搜索算法相结合来确定贝叶斯网络的参数与结构,通过概率推理对报警事件进行预测。实例仿真表明,该方法可以有效地挖掘历史数据信息,实现准确的报警事件预测。     

基于贝叶斯网络的军事工程毁伤评估模型研究

应用贝叶斯网络理论在解决不确定性事件方面的推理优势,提出了基于贝叶斯网络的军事工程毁伤评估新方法。根据军事工程毁伤评估的系统特征与要求,提出了分解、转换、综合的系统建模规则,并引入贝叶斯网络原理,建立了运用贝叶斯网络进行军事工程毁伤评估系统建模的分析框架;在确定军事工程毁伤评估网络节点变量的基础上,以仿真计算数据为样本,确定网络结构和网络参数,寻找隐含的概率依赖关系和知识表达,构建军事工程毁伤评估置信模型。通过实例验证了用贝叶斯网络进行军事工程毁伤评估与推理的有效性。     

基于贝叶斯网络的威胁识别

对威胁进行准确识别是威胁评估的重要内容之一,它涉及到许多不确定性因素.贝叶斯网络是处理不确定性知识的有效工具.根据威胁识别与贝叶斯网络的特点,提出了基于贝叶斯网络的威胁识别方法.首先简单介绍了贝叶斯网络及其优点,然后根据一个具体的实例,建立了威胁识别的贝叶斯网络模型,并阐述了贝叶斯网络用于威胁识别的推理流程.通过对实例的计算结果表明,利用贝叶斯网络能够准确识别威胁,并能有效地处理不确定性信息.     

基于贝叶斯网络的信用卡客户价值预测

在阐述贝叶斯网络的特点和学习算法的基础上,利用先验知识选取数据样本的属性变量,通过基于K2算法的贝叶斯网络结构学习和基于极大似然方法的参数学习,建立预测模型并进行银行信用卡客户价值预测。预测结果的正确率和覆盖率表明,贝叶斯网络是信用卡客户价值预测的有效工具。     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。     

基于AdaBoost分类器的实时交通事故预测

传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测,针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题,提出一种基于AdaBoost分类器的交通事故实时预测的方法。首先,将交通道路划分为正常、危险两种交通状态,利用实时采集的交通流数据作为特征变量对不同的状态进行表征,将事故的实时预测问题转化为分类问题;然后,采用Parzen窗非参数估计的方法对两种状态在不同时间尺度下候选交通流特征的概率密度函数（PDF）进行估计,利用基于概率分布的可分性判据分析估计的密度函数,选择合适的特征变量及时间尺度,确定样本数据;最后,根据样本数据训练AdaBoost分类器对不同的交通状态进行分类识别。实验结果表明,采用交通流特性的标准差特征对测试样本分类的正确率比平均值特征高7.9%,更能反映不同交通状态的差别,获得更好的分类结果。     

Dynamic probabilistic analysis of accidents in construction projects by combining precursor data and expert judgments

Construction accident occurrences are essentially rare, stochastic, and dynamic. This study proposes a method for accident prediction that fully captures these natures based on historical data and prior knowledge. The method utilizes the relatively high occurrence frequency of precursor events and the dependency between precursors and accidents. The modeling approach consists of three steps: (1) characterize the stochastic occurrences of precursor events over time based on precursor data; (2) estimate the failure rate of the Poisson model which is assumed to be a prior distribution of accident occurrences; and (3) elicit the expert knowledge about the stochastic dependency between near miss occurrences and accident occurrences. A copula-based Markov model is used to develop the time series model of precursors while a copula-based protocol is proposed to aid expert judgment elicitation and quantification. The probability of accident occurrence is then dynamically updated according to the observed historical near miss numbers. The proposed method is applied to a metro construction project. A five-year long near miss data were collected and used as accident precursor data, while three experts were invited to provide relevant information. The developed accident model is used to predict the accident-prone periods, which are consistent with the months that the observed near miss occurrence frequency deviates significantly from normality. Thus, the model can be used to support the planning of necessary safety improvement programs before the accident risk increased.     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于改进BP神经网络的道路交通事故预测

道路交通事故因受多种随机因素的影响而呈现出非线性的特点,传统的线性分析方法无法完全揭示其内涵。在分析道路交通事故与人、车、路等因素关系的基础上,利用神经网络具有描述非线性特性的能力,将影响交通事故的多种因素综合起来建立了基于改进BP神经网络的道路交通事故预测模型。选取人口密度、路网密度和机动车辆密度作为交通事故预测模型的输入神经元,采用道路交通综合死亡率作为道路交通事故的输出评价指标,对道路交通事故进行预测。实验结果表明,该预测模型能很好地适用于道路交通事故预测,验证了该模型的可行性和有效性。     

基于贝叶斯网络的列控系统安全风险评估方法

为科学评估列车运行控制系统内各危险导致的事故风险,用贝叶斯网络描述危险、风险和事故后果间的因果关系。通过识别系统中的潜在危险、危险导致事故的发生率和严重程度,结合贝叶斯网络处理不完备数据的优势,建立基于贝叶斯网络的风险评估模型,计算危险导致事故发生的可容忍危险率,判断系统能否满足安全要求并达到设定的安全目标。以美国的列车保护警报系统和I级铁路事故/事件数据库为例,利用该模型进行风险评估,结果表明4个初始危险导致的事故可容忍危险率小于规定值,验证了模型的有效性,为列控系统风险评估的具体实施方法提供了新思路。     

基于 GBDT 的铁路事故类型预测及成因分析

运用数据挖掘技术进行铁路事故类型预测及成因分析, 对于建立铁路事故预警机制具有重要意义. 为此, 本文提出一种基于梯度提升决策树(Grandient boosting decision tree, GBDT)的铁路事故类型预测及成因分析算法. 针对铁路事故记录数据缺失的问题, 提出一种基于属性分布概率的补全算法, 最大程度保持原有数据分布, 从而降低数据缺失对事故类型预测造成的影响. 针对铁路事故记录数据类别失衡的问题, 提出一种集成的GBDT模型, 完成对事故类型的鲁棒性预测. 在此基础上, 根据GBDT预测模型中特征重要度排序, 实现事故成因分析. 通过在开放数据库上进行实验, 验证了本文模型的有效性.     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。