CN110942260A - 一种基于贝叶斯最大熵的高校交通安全评价方法 - Google Patents

Abstract

本发明涉及一种基于贝叶斯最大熵的高校交通安全评价方法，包括如下步骤：S1、确定评价参数指标；S2、建立网络拓扑结构并转换为贝叶斯网络模型；S3、采集贝叶斯网络模型中评价参数指标数据，并以此为依据确定评价参数指标区间，进行处理后获得评价参数指标的主观权重值区间；S4、在主观权重值区间范围内任意选定一组主观权重值作为判定权重值；S5、将判定权重值进行梯度下降处理以及归一化处理；S6、计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如果满足则将判定权重值作为交通安全评价的客观权重，如果不满足则返回步骤S4继续执行。本发明通过自学习排除主观因素，进而得到准确、客观的定量安全评价结果，实用性好，值得推广。

Description

一种基于贝叶斯最大熵的高校交通安全评价方法

技术领域

本发明属于交通安全技术领域，具体涉及一种基于贝叶斯最大熵的高校交通安全评价方法。

背景技术

当前我们必须认识到，校园犹如一个“社区”或者是缩小尺度的“城市”，虽然区别于城市巨大系统的复杂性，但在机动化背景下校园交通问题日趋复杂和严重。从当前校园交通问题的现实性来看，机动化发展所带来的拥挤问题、环境问题、安全问题等，制约着我国校园中的学生安全。

从现有大学校园规划的相关理论来看，多为校园空间规划和校园建筑设计方面的研究，比较侧重从城市设计和景观设计领域展开的系统研究，然而针对大学校园交通组织方面的系统理论就相对缺乏，理论研究尚不充分，没有形成较为全面、完整的理论体系和评价系统。

发明内容

有鉴于此，本发明提供了一种基于贝叶斯最大熵的高校交通安全评价方法，以解决上述提出的技术问题。

本发明的技术方案是：

一种基于贝叶斯最大熵的高校交通安全评价方法，包括以下步骤：

S1、确定校园交通安全评价体系的评价参数指标；

S2、根据评价参数指标中的各因素间的逻辑关系建立网络拓扑结构，将得到的网络拓扑结构转换为贝叶斯网络模型；

S3、采集贝叶斯网络模型中评价参数指标数据，用采集到的评价参数指标数据确定评价参数指标区间，利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间；

S4、在主观权重值区间范围内任意选定一组主观权重值作为判定权重值；

S5、将判定权重值进行梯度下降处理以及归一化处理；

S6、计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如果满足最大熵理论则将判定权重值作为交通安全评价的客观权重，如果不满足最大熵理论则返回步骤S4继续执行。

优选的，所述步骤S1中确定校园交通安全评价体系的评价参数指标，包括如下步骤：

S21、根据保卫处安全管理条例、校园交通安全管理规范和城市交通安全规范确定容易导致校园交通安全事故的因素，作为校园交通安全评价体系的初筛评价因素；

S22、根据事故致因理论将初筛评价因素分为人的不安全行为以及物的不安全状态，分别对初筛评价因素进行筛选后将最容易导致校园交通安全事故的初筛评价因素作为校园交通安全评价体系的评价参数指标。

优选的，所述步骤S2中按照式(1)和式(2)建立贝叶斯网络模型：

其中，X_i为第i个节点的随机样本，x_i为该样本中具体数值，n为总节点数，α为X_i所在节点相应的父节点。

优选的，所述步骤S3中利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间包括如下步骤：

S41、邀请专家对贝叶斯网络模型中的每一个父节点与子节点打分，得到判断矩阵H_n；

S42、利用式(3)计算权重区间估计模型，

其中，W_i ^α是最优权重的集合，W_i ^α＝[ω₁ ^α,ω₂ ^α,…,ω_n ^α]，ω_i ^α为最优权重集合中的元素，H_n ^α是理想状态下的判断矩阵，H_n是根据理想状态下的判断矩阵H_n ^α通过自学习得到的判断矩阵，

ω_i为第i个节点的权重值，[k_i1 ^α,k_i2 ^α,…,k_in ^α]即理想状态下的判断矩阵H_n ^α的元素值，n是节点总数，β_max为H_n矩阵的最大特征值，当H_n为最优判断矩阵时n＝β_max。

优选的，所述步骤S5中将判定权重值进行梯度下降处理以及归一化处理的方法包括如下步骤：

S51、利用式(4)求贝叶斯网络模型中节点的梯度值：

其中，α为X_i所在节点相应的父节点，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，X_i为第i个节点的随机样本；

S52、利用式(5)求经过梯度下降计算后得到的新权重值ω₂：

其中，β是学习率，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，ω₂是经过梯度下降计算后得到的新权重值；

S53、将经过梯度下降计算后得到的新权重值进行归一化处理，满足式(6)的条件：

其中，ω_i是第i个节点的权重值，i是节点数标识。

优选的，所述步骤S6中计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论包括如下步骤：

S61、利用式(7)求信息熵H(P)，

其中，i是节点数标识，H(P)为信息熵，P(i)为第i个评价指标对应的判定权重值；

S62、利用式(8)求最大熵，

其中，maxH(P)为最大熵，ω_i是第i个节点的判定权重值；

S63、判定H(P)-maxH(P)＝0是否成立，若成立，满足最大熵理论，若不成立，则不满足最大熵理论。

与现有技术相比，本发明提供的一种基于贝叶斯最大熵的高校交通安全评价方法，该方法将贝叶斯网络模型与最大熵原理结合，包括如下步骤：S1、确定校园交通安全评价体系的评价参数指标；S2、根据评价参数指标中的各因素间的逻辑关系建立网络拓扑结构，将得到的网络拓扑结构转换为贝叶斯网络模型；S3、采集贝叶斯网络模型中评价参数指标数据，用采集到的评价参数指标数据确定评价参数指标区间，利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间；S4、在主观权重值区间范围内任意选定一组主观权重值作为判定权重值；S5、将判定权重值进行梯度下降处理以及归一化处理；S6、计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如果满足最大熵理论则将判定权重值作为交通安全评价的客观权重，如果不满足最大熵理论则返回步骤S4继续执行。

本发明针对大学校园交通需求特征，提出大学校园交通系统的优化策略，进一步为校园空间与交通系统规划设计的整合、校园交通管理措施的制定和实施,高校土地资源和空间的合理利用以及大学校园的交通安全提供理论参考。本发明提出的这一新的高效交通安全评价方法，排除人主观的不可靠性，更加准确地评价高校校园内的交通安全情况，摒弃了传统安全评价准确性完全依赖交通安全评价人员经验的问题，通过自学习排除主观因素，进而得到准确、客观的定量安全评价结果。同时，能够根据自学习到的参数进行预测，并将评价重点由事后的原因分析，转移到事前的事故预防，实用性好，值得推广。

附图说明

图1是一种基于贝叶斯最大熵的高校交通安全评价方法的流程图；

图2是自行车与行人交通事故网络拓扑结构；

图3是机动车与行人交通事故网络拓扑结构；

图4是机动车与自行车交通事故网络拓扑结。

具体实施方式

下面结合附图1到图4对本发明提供的一种基于贝叶斯最大熵的高校交通安全评价方法的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

实施例1

如图1所示，本发明提供的一种基于贝叶斯最大熵的高校交通安全评价方法，包括以下步骤：

一种基于贝叶斯最大熵的高校交通安全评价方法，包括以下步骤：

S1、确定校园交通安全评价体系的评价参数指标；

S2、根据评价参数指标中的各因素间的逻辑关系建立网络拓扑结构，将得到的网络拓扑结构转换为贝叶斯网络模型；

S3、采集贝叶斯网络模型中评价参数指标数据，用采集到的评价参数指标数据确定评价参数指标区间，利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间；

S4、在主观权重值区间范围内任意选定一组主观权重值作为判定权重值；

S5、将判定权重值进行梯度下降处理以及归一化处理；

S6、计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如果满足最大熵理论则将判定权重值作为交通安全评价的客观权重，如果不满足最大熵理论则返回步骤S4继续执行。

进一步的，所述步骤S1中确定校园交通安全评价体系的评价参数指标，包括如下步骤：

S21、根据保卫处安全管理条例、校园交通安全管理规范和城市交通安全规范确定容易导致校园交通安全事故的因素，作为校园交通安全评价体系的初筛评价因素；

S22、根据事故致因理论将初筛评价因素分为人的不安全行为以及物的不安全状态，分别对初筛评价因素进行筛选后将最容易导致校园交通安全事故的初筛评价因素作为校园交通安全评价体系的评价参数指标。

进一步的，所述步骤S2中按照式(1)和式(2)建立贝叶斯网络模型：

其中，X_i为第i个节点的随机样本，x_i为该样本中具体数值，n为总节点数，α为X_i所在节点相应的父节点。

进一步的，所述步骤S3中利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间包括如下步骤：

S41、邀请专家对贝叶斯网络模型中的每一个父节点与子节点打分，得到判断矩阵H_n；

S42、利用式(3)计算权重区间估计模型，

其中，W_i ^α是最优权重的集合，W_i ^α＝[ω₁ ^α,ω₂ ^α,…,ω_n ^α]，ω_i ^α为最优权重集合中的元素，H_n ^α是理想状态下的判断矩阵，H_n是根据理想状态下的判断矩阵H_n ^α通过自学习得到的判断矩阵，

ω_i为第i个节点的权重值，[k_i1 ^α,k_i2 ^α,…,k_in ^α]即理想状态下的判断矩阵H_n ^α的元素值，n是节点总数，β_max为H_n矩阵的最大特征值，当H_n为最优判断矩阵时n＝β_max。

进一步的，所述步骤S5中将判定权重值进行梯度下降处理以及归一化处理的方法包括如下步骤：

S51、利用式(4)求贝叶斯网络模型中节点的梯度值：

其中，α为X_i所在节点相应的父节点，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，X_i为第i个节点的随机样本；

S52、利用式(5)求经过梯度下降计算后得到的新权重值ω₂：

其中，β是学习率，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，ω₂是经过梯度下降计算后得到的新权重值；

S53、将经过梯度下降计算后得到的新权重值进行归一化处理，满足式(6)的条件：

其中，ω_i是第i个节点的权重值，i是节点数标识。

进一步的，所述步骤S6中计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论包括如下步骤：

S61、利用式(7)求信息熵H(P)，

其中，i是节点数标识，H(P)为信息熵，P(i)为第i个评价指标对应的判定权重值；

S62、利用式(8)求最大熵，

其中，maxH(P)为最大熵，ω_i是第i个节点的判定权重值；

S63、判定H(P)-maxH(P)＝0是否成立，若成立，满足最大熵理论，若不成立，则不满足最大熵理论。

以西安市某大学校园为例，为本发明一种基于贝叶斯最大熵的高校交通安全评价方法进行验证，如图1所示，具体包括：

S1、建立安全评价参数指标体系：

根据校园交通安全管理规范制定各项指标的安全评价等级状态表，通过调查问卷以及咨询专家的方法得到校园交通安全评价参数指标体系如表1所示：

表1校园交通安全评价参数指标

通过上述表1可见，校园交通安全评价参数指标体系的一级评价参数指标有3个，二级评价参数指标有32个，用以研究自行车与行人交通事故、机动车与行人交通事故、机动车与自行车交通事故。

S2、构建贝叶斯网络模型：

根据评价参数指标中的3个一级评价参数指标，32个二级评价参数指标确定自行车与行人交通事故网络拓扑结构、机动车与行人交通事故网络拓扑结构、机动车与自行车交通事故的网络拓扑结构，并将得到的网络拓扑结构转换为如图2、图3和图4所示的贝叶斯网络模型。

S3、数据采集与处理：

通过调查问卷、实地调查等方法采集S2中贝叶斯网络模型中的评价参数指标数据，用采集到的评价参数指标数据确定评价参数指标区间，邀请专家根据问卷调查等获得的数据对实际项目打分得到AHP主观赋值权重区间，上述的AHP主观赋值权重区间如下表2所示。

表2 AHP主观赋值权重区间

指标	权重
		自行车状况不良C1	[0.1—0.2]
环境因素C2	[0.15—0.2]
		天气影响C3	[0—0.05]
交通设施设备状况不良C4	[0—0.1]
		路面状况不良C5	[0.10—0.15]
自行车制动故障C6	[0.3—0.4]
		骑车载人C7	[0—0.1]
骑车玩手机或者接打电话C8	[0—0.1]
		机动车状况不良C9	[0.1—0.15]

S4、在获得的AHP主观赋值权重区间范围内，随机选取一组作为判定权重值，将判定权重值代入贝叶斯网络模型，并通过梯度下降方法将判定权重值进行梯度下降处理以及归一化处理后，计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如不符合最大熵理论则重新选取主观赋值区间中另一组值，反复操作直到满足最大熵理论，最后得到评价参数指标主观权重值如表3所示。

表3各评价参数指标主观权重值

综上，可以看出经过自学习之后的权重相较AHP法权重区间更加精确，且完全满足权重区间，这种安全评价方法减少了主观评价的模糊性，提高了客观性、准确性。

本发明摒弃了传统安全评价准确性完全依赖交通安全评价人员经验的问题，通过自学习排除主观因素，进而得到准确、客观的定量安全评价结果。同时，能够根据自学习到的参数进行预测，并将评价重点由事后的原因分析，转移到事前的事故预防，实用性好，值得推广。

以上公开的仅为本发明的较佳的具体实施例，但是，本发明实施例并非局限于此，任何本领域技术人员能思之的变化都应落入本发明的保护范围。

Claims (6)

1.一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，包括以下步骤：

S1、确定校园交通安全评价体系的评价参数指标；

S2、根据评价参数指标中的各因素间的逻辑关系建立网络拓扑结构，将得到的网络拓扑结构转换为贝叶斯网络模型；

S3、采集贝叶斯网络模型中评价参数指标数据，用采集到的评价参数指标数据确定评价参数指标区间，利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间；

S4、在主观权重值区间范围内任意选定一组主观权重值作为判定权重值；

S5、将判定权重值进行梯度下降处理以及归一化处理；

S6、计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论，如果满足最大熵理论则将判定权重值作为交通安全评价的客观权重，如果不满足最大熵理论则返回步骤S4继续执行。

2.根据权利要求1所述的一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，所述步骤S1中确定校园交通安全评价体系的评价参数指标，包括如下步骤：

S21、根据保卫处安全管理条例、校园交通安全管理规范和城市交通安全规范确定容易导致校园交通安全事故的因素，作为校园交通安全评价体系的初筛评价因素；

S22、根据事故致因理论将初筛评价因素分为人的不安全行为以及物的不安全状态，分别对初筛评价因素进行筛选后将最容易导致校园交通安全事故的初筛评价因素作为校园交通安全评价体系的评价参数指标。

3.根据权利要求1所述的一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，所述步骤S2中按照式(1)和式(2)建立贝叶斯网络模型：

其中，X_i为第i个节点的随机样本，x_i为该样本中具体数值，n为总节点数，α为X_i所在节点相应的父节点。

4.根据权利要求1所述的一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，所述步骤S3中利用AHP法对评价参数指标区间进行处理获得评价参数指标的主观权重值区间包括如下步骤：

S41、邀请专家对贝叶斯网络模型中的每一个父节点与子节点打分，得到判断矩阵H_n；

S42、利用式(3)计算权重区间估计模型，

其中，W_i ^α是最优权重的集合，W_i ^α＝[ω₁ ^α,ω₂ ^α,…,ω_n ^α]，ω_i ^α为最优权重集合中的元素，H_n ^α是理想状态下的判断矩阵，H_n是根据理想状态下的判断矩阵H_n ^α通过自学习得到的判断矩阵，

ω_i为第i个节点的权重值，[k_i1 ^α,k_i2 ^α,…,k_in ^α]即理想状态下的判断矩阵H_n ^α的元素值，n是节点总数，β_max为H_n矩阵的最大特征值，当H_n为最优判断矩阵时n＝β_max。

5.根据权利要求1所述的一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，所述步骤S5中将判定权重值进行梯度下降处理以及归一化处理的方法包括如下步骤：

S51、利用式(4)求贝叶斯网络模型中节点的梯度值：

其中，α为X_i所在节点相应的父节点，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，X_i为第i个节点的随机样本；

S52、利用式(5)求经过梯度下降计算后得到的新权重值ω₂：

其中，β是学习率，ω₁是相应权重值，H是随机样本X₁,X₂,…,X_m的集合，ω₂是经过梯度下降计算后得到的新权重值；

S53、将经过梯度下降计算后得到的新权重值进行归一化处理，满足式(6)的条件：

其中，ω_i是第i个节点的权重值，i是节点数标识。

6.根据权利要求1所述的一种基于贝叶斯最大熵的高校交通安全评价方法，其特征在于，所述步骤S6中计算判定权重值的熵值，判断计算出的熵值是否满足最大熵理论包括如下步骤：

S61、利用式(7)求信息熵H(P)，

其中，i是节点数标识，H(P)为信息熵，P(i)为第i个评价指标对应的判定权重值；

S62、利用式(8)求最大熵，

其中，maxH(P)为最大熵，ω_i是第i个节点的判定权重值；

S63、判定H(P)-maxH(P)＝0是否成立，若成立，满足最大熵理论，若不成立，则不满足最大熵理论。

Images