面向交通事件持续时间预测的贝叶斯网络建模研究
致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7页 |
序言 | 第9-15页 |
1 绪论 | 第15-25页 |
1.1 研究背景及意义 | 第15-17页 |
1.1.1 研究背景 | 第15-16页 |
1.1.2 研究意义 | 第16-17页 |
1.2 国内外研究综述 | 第17-20页 |
1.3 研究目的及内容 | 第20-22页 |
1.3.1 研究目的 | 第20-21页 |
1.3.2 研究内容 | 第21-22页 |
1.4 技术路线及论文结构 | 第22-25页 |
1.4.1 技术路线 | 第22-23页 |
1.4.2 组织结构 | 第23-25页 |
2 贝叶斯网络模型研究基础 | 第25-33页 |
2.1 贝叶斯网络建模方法 | 第25-26页 |
2.2 贝叶斯网络优化算法 | 第26-27页 |
2.3 贝叶斯决策树预测模型 | 第27-28页 |
2.4 贝叶斯网络理论基础 | 第28-31页 |
2.4.1 信息论基础 | 第28-29页 |
2.4.2 卡方分布 | 第29-30页 |
2.4.3 网络结构 | 第30-31页 |
2.4.4 有向图邻接矩阵 | 第31页 |
2.5 本章小结 | 第31-33页 |
3 基于ACOS算法的贝叶斯网络模型 | 第33-43页 |
3.1 BN网结构学习 | 第33-35页 |
3.1.1 MIT评分函数 | 第33-34页 |
3.1.2 网络生长规则 | 第34-35页 |
3.2 ACOS搜索算法 | 第35-39页 |
3.2.1 模型构建思路 | 第36-37页 |
3.2.2 ACOS参数 | 第37-38页 |
3.2.3 ACOS算法 | 第38-39页 |
3.3 BN网模型预测 | 第39-42页 |
3.3.1 预测模型构建 | 第40页 |
3.3.2 分类模型构建 | 第40-41页 |
3.3.3 推断模型构建 | 第41-42页 |
3.4 本章小结 | 第42-43页 |
4 引入BN节点的贝叶斯决策树模型 | 第43-53页 |
4.1 决策树模型构建 | 第43-46页 |
4.1.1 分裂规则 | 第43-44页 |
4.1.2 终止规则 | 第44页 |
4.1.3 剪枝规则 | 第44页 |
4.1.4 CART算法 | 第44-46页 |
4.2 贝叶斯节点优化 | 第46-48页 |
4.2.1 朴素贝叶斯节点 | 第46-47页 |
4.2.2 贝叶斯网络节点 | 第47-48页 |
4.2.3 节点分类 | 第48页 |
4.3 BNDT模型构建 | 第48-51页 |
4.3.1 模型构建思路 | 第48-49页 |
4.3.2 属性节点判别规则 | 第49-50页 |
4.3.3 BN节点分类规则 | 第50页 |
4.3.4 B节点分类规则 | 第50-51页 |
4.4 本章小结 | 第51-53页 |
5 交通事件持续时间预测模型 | 第53-81页 |
5.1 交通事件持续时间数据描述 | 第53-56页 |
5.1.1 数据来源 | 第53-54页 |
5.1.2 数据描述 | 第54-56页 |
5.2 交通事件持续时间的贝叶斯网络模型 | 第56-65页 |
5.2.1 数据分类区间 | 第57-58页 |
5.2.2 模型构建结果 | 第58-59页 |
5.2.3 影响因素内部机理 | 第59-63页 |
5.2.4 事件持续时间影响因素分析 | 第63-65页 |
5.3 交通事件持续时间预测的贝叶斯网络模型 | 第65-72页 |
5.3.1 BN预测模型构建 | 第65-68页 |
5.3.2 BN分类模型构建 | 第68-70页 |
5.3.3 BN预测结果分析 | 第70-72页 |
5.4 交通事件持续时间预测的BNDT模型构建 | 第72-80页 |
5.4.1 数据统计 | 第72-73页 |
5.4.2 BNDT模型构建 | 第73-76页 |
5.4.3 BNDT模型检验 | 第76-79页 |
5.4.4 各类模型比较分析 | 第79-80页 |
5.5 本章小结 | 第80-81页 |
6 结论与展望 | 第81-83页 |
6.1 研究结论 | 第81-82页 |
6.2 研究创新点 | 第82页 |
6.3 研究展望 | 第82-83页 |
参考文献 | 第83-89页 |
附录A | 第89-91页 |
附录B | 第91-93页 |
附录C | 第93-99页 |
附录D | 第99-101页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第101-105页 |
学位论文数据集 | 第105页 |