基于贝叶斯网络的高速公路交通事故研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 研究目的和意义 | 第16-17页 |
| 1.4 主要研究内容与技术路线 | 第17-20页 |
| 2 高速公路交通事故分布规律与理论 | 第20-36页 |
| 2.1 交通事故分析方法 | 第20-21页 |
| 2.1.1 统计分析法 | 第20页 |
| 2.1.2 分类分析法 | 第20-21页 |
| 2.1.3 图形分析法 | 第21页 |
| 2.2 高速公路交通事故分布规律 | 第21-27页 |
| 2.2.1 交通事故时间分布规律 | 第21-23页 |
| 2.2.2 交通事故气候分布规律 | 第23-24页 |
| 2.2.3 高速公路交通事故型态分布规律 | 第24-26页 |
| 2.2.4 交通事故车型分布规律 | 第26-27页 |
| 2.3 重特大高速公路交通事故特征分析 | 第27-30页 |
| 2.3.1 重特大事故时间分布规律 | 第27-28页 |
| 2.3.2 重特大事故型态分布规律 | 第28-29页 |
| 2.3.3 重特大事故车型分布规律 | 第29-30页 |
| 2.3.4 重特大事故原因分析规律 | 第30页 |
| 2.4 高速公路交通事故致因分析 | 第30-35页 |
| 2.4.1 人的影响因素 | 第30-32页 |
| 2.4.2 车的影响因素 | 第32-33页 |
| 2.4.3 道路影响因素 | 第33-34页 |
| 2.4.4 环境影响因素 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 高速公路交通事故严重程度分类识别模型 | 第36-50页 |
| 3.1 支持向量机理论 | 第36-43页 |
| 3.1.1 间隔与支持向量 | 第37-39页 |
| 3.1.2 核函数 | 第39-41页 |
| 3.1.3 软间隔与正则化 | 第41-43页 |
| 3.2 二分类事故严重程度SVM建模 | 第43-48页 |
| 3.2.1 事故严重程度分类建模的数据准备 | 第43-46页 |
| 3.2.2 高速公路事故严重程度SVM建模 | 第46-48页 |
| 3.3 本章小结 | 第48-50页 |
| 4 贝叶斯网络理论 | 第50-62页 |
| 4.1 贝叶斯网络基本模型 | 第50-52页 |
| 4.2 贝叶斯网络结构学习 | 第52-58页 |
| 4.2.1 基于评分搜索的方法 | 第53-57页 |
| 4.2.2 基于变量独立分析的方法 | 第57-58页 |
| 4.3 贝叶斯网络参数学习 | 第58-59页 |
| 4.3.1 最大似然估计 | 第58-59页 |
| 4.3.2 贝叶斯估计 | 第59页 |
| 4.4 贝叶斯网络推理 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 基于贝叶斯网络的高速公路交通事故分析 | 第62-76页 |
| 5.1 数据分析 | 第62-66页 |
| 5.1.1 数据变量处理 | 第62-65页 |
| 5.1.2 事故数据按车辆类型分类 | 第65-66页 |
| 5.2 贝叶斯网络模型评价指标 | 第66-68页 |
| 5.3 高速公路交通事故贝叶斯网络模型构建 | 第68-74页 |
| 5.3.1 贝叶斯网络结构学习 | 第68-71页 |
| 5.3.2 贝叶斯网络建模效果分析 | 第71-73页 |
| 5.3.3 高速公路交通事故贝叶斯网络分析结果 | 第73-74页 |
| 5.4 本章小结 | 第74-76页 |
| 6 结论与展望 | 第76-78页 |
| 6.1 主要研究结论 | 第76-77页 |
| 6.2 研究展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第82-86页 |
| 学位论文数据集 | 第86页 |
