-
题名一种并行蚁群Bayesian网络学习的算法
被引量:9
- 1
-
-
作者
潘吉斯
吕强
王红玲
-
机构
苏州大学计算机科学与技术学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2007年第4期651-655,共5页
-
文摘
Bayesian网络学习的一种方法是根据输入数据集使用某种打分机制找到与数据集相拟合的候选网络.ACOB算法(蚁群优化B算法)是其中一种基于元启发引入蚂蚁机制来进行Bayesian网络学习的方法.本文在该算法基础之上提出一种改进算法--PACOB,并行进行Bayesian网络学习.实验结果表明,该并行算法相对于其串行算法具有一定的优势,提供了一种Bayesian网络学习问题的有效手段.
-
关键词
Bayesian网络学习
acob
并行
-
Keywords
Bayesian networks
learning
acob
parrellization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名交通事件持续时间预测的贝叶斯网络模型
被引量:3
- 2
-
-
作者
马雪婧
邵春福
钱剑培
王天倚
-
机构
北京交通大学城市交通复杂系统理论与技术教育部重点实验室
南通恒龙信息科技有限公司
-
出处
《交通信息与安全》
2015年第6期65-71,共7页
-
基金
国家自然科学基金项目(批准号:71210001)资助
-
文摘
交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以S-ACOB算法为核心搭建最优贝叶斯网络模型。增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性。通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间。
-
关键词
交通工程
交通事件
持续时间预测
贝叶斯网络
结构学习
MIT算法
S-acob算法
-
Keywords
traffic engineering
traffic incident
duration prediction
Bayesian network
structure learning
MIT algorithm
S-acob algorithm
-
分类号
U491.31
[交通运输工程—交通运输规划与管理]
-