一种基于树型贝叶斯网络的集成多标记分类算法

在多标记分类问题中,有效地利用标记间的依赖关系是进一步提升分类器性能的主要途径之一。基于分类器链算法,利用互信息度量理论构造分类对象的类属性之间明确的多标记关系依赖模型,并依据建立的标记依赖模型将分类器链中的线性依赖拓展成树型依赖,以适应更为复杂的标记依赖关系;同时,在此基础上利用Stacking集成学习方法建立最终训练模型,提出了一种新的针对树型依赖表示模型的Stacking算法。在多个实验数据集上的实验结果表明,与原有的Stacking集成学习相比,该算法提升了分类器的相应评价指标。

基于Logistic-TAN的电动自行车交通事故严重程度影响因素分析

为提高电动自行车交通安全管理水平,基于Logistic回归与树型贝叶斯网络(Tree Augmented Naive Bayes,TAN)的组合方法,探究电动自行车交通事故严重程度的影响因素。首先,收集某市2016~2020年电动自行车交通事故数据,将事故严重程度作为因变量,电动自行车驾驶人年龄等类别属性作为自变量,构建二分类Logistic回归模型;其次,根据回归模型结果,选择显著的自变量和影响因素,在TAN模型中进行单一证据变量以及多证据变量耦合推理分析,量化其影响大小,并分析数据中的异质性。结果表明,11个因素对因变量有显著影响,其中“大中型车辆”是最重要的影响因素;“右转”和“追尾碰撞”两个因素对因变量具有异质影响;电动自行车与右转的大中型车辆发生追尾碰撞的死亡事故概率最高,达到81.1%。

基于APRIORI-TAN的交通事故伤害分析与预测

为探究道路交通事故因素和事故伤害的相关性,以2467起涉及人员伤亡的交通事故为数据集,运用Apriori算法分别挖掘事故伤害关联规则,并结合社会网络分析的可视化和核心-边缘分析构建受伤事故和死亡事故的关联规则网络。结果表明:事故伤害程度与事故时间、道路条件和交通环境等因素关系紧密,尤其死亡事故与碰撞固定物、人行横道事故、高速公路、高速道路、非市区、酒驾和超速存在高相关性。基于树型贝叶斯网络(TAN)构建事故伤害程度的预测模型,预测结果准确率可达87.56%。