本发明涉及公路安全领域，具体涉及一种基于贝叶斯网络的多数据融合算法。
背景技术：
我国是当今世界上发生道路交通安全事故最多的国家之一，交通事故死亡率比欧美等发达国家高出10倍以上。而路侧交通事故在公路交通事故中约占30%，在死亡3人以上的重特大恶性交通事故中，由于车辆冲出路外、坠落陡崖或高桥而发生的路侧交通事故中约占一半比例。目前对公路路侧实施安全，仍主要依赖工程技术人员的经验判断进行危险点段的识别，致使安全监测带有一定的人为因素，投资决策缺乏科学性，事故发生率较高。
现有技术中将路侧安全程度按照级别划分，该划分都是根据影响路侧未下程度的主要因素来划分级别，都属于定性表述，由于影响路侧危险程度的因素众多，加之因素间的相互关联，使得针对具体的路侧特征，在很大程度上仍离不开设计、研究人员的经验判断。虽然现有路侧危险分级在具体的工程时间中发挥了一定的作用，但仍显明显存在以下几方面的问题：一是考虑的要素少；二是等级之间界限模糊，存在交叉和空档；三是缺乏底层的理论方法基础。
技术实现要素：
为了解决上述问题本发明提供一种基于贝叶斯网络的多数据融合算法，科学、客观、全面准确的监测路面事故发生。
本发明解决其技术问题所采用的技术方案是：一种基于贝叶斯网络的多数据融合算法，其特征在于，包括线性（b1），交通量（b2）、气候环境（b3）、历史事故（b4）、路侧特征（b5）、路侧发生交通事故概率p及监测意见e；所述线性（b1）包括平均曲线（s1）和纵坡坡度（s2）；交通量（b2）包括日均交通量（s3）和货车比重（s4）；气候环境（b3）包括雨雪雾气候频率（s5）和其他自然灾害频率（s5）；历史事故（b4）包括伤人事故（s7）、死亡事故（s8）和财产损失事故（s9）；路侧特征（b5）包括路侧深度（s10）、离散危险物（s11）、连续危险物（s12）和净区状况（s13），所述监测意见e为变量。
进一步地，路面概率p可得公式，
进一步地，在没有监测意见e为定值时，p（eij=eim）=，···，=p（eim=eim）=1/m，可根据p（eij）和p（s3|eij）计算出p（eij=s3）。
本发明的积极效果：使用本发明，基于贝叶斯网络作为可靠性分析处理复杂的逻辑关系，能够方便地处理多态变量以及变量之间的相关行，并能很好地表达变量间的不确定性关系，更加符合时间、科学合理。
具体实施方式
一种基于贝叶斯网络的多数据融合算法，其特征在于，包括线性（b1），交通量（b2）、气候环境（b3）、历史事故（b4）、路侧特征（b5）、路侧发生交通事故概率p及监测意见e；所述线性（b1）包括平均曲线（s1）和纵坡坡度（s2）；交通量（b2）包括日均交通量（s3）和货车比重（s4）；气候环境（b3）包括雨雪雾气候频率（s5）和其他自然灾害频率（s5）；历史事故（b4）包括伤人事故（s7）、死亡事故（s8）和财产损失事故（s9）；路侧特征（b5）包括路侧深度（s10）、离散危险物（s11）、连续危险物（s12）和净区状况（s13），所述监测意见e为变量。
路面概率p可得公式，
在没有监测意见e为定值时，p（eij=eim）=，···，=p（eim=eim）=1/m，根据p（eij）和p（s3|eij）计算出p（eij=s3）。
本发明的积极效果：使用本发明，基于贝叶斯网络作为可靠性分析处理复杂的逻辑关系，能够方便地处理多态变量以及变量之间的相关行，并能很好地表达变量间的不确定性关系，更加符合时间、科学合理。
在分析方面，贝叶斯网络可系统进行前向的预测分析，在已知影响因素状态的条件下，求出路侧发生事故的概率，从而获得路侧安全的评价结果；又能在得知系统发生事故的情况下，进行向后的诊断推理，求出各个影响因素（指标）的后验概率，通过对比各个指标上后验概率与其先验概率的变化幅度，找出导致路侧发生事故的敏感因素，从而能够方便地找出系统的薄弱环节，有针对地加以改进。
本发明具有强大的表达不确定性知识、进行不确定性知识推理关系，使构建的评价模型更加符合实际、科学合理，可以灵活方便地对系统进行预测及诊断分析，可以有效地处理专家意见不一致的情形，并能够在某些意见缺失的情况下得到合理的结果。
以上所述的仅为本发明的优选实施例，所应理解的是，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，并不用于限定本发明的保护范围，凡在本发明的思想和原则之内所做的任何修改、等同替换等等，均应包含在本发明的保护范围之内。