本发明涉及交通心理领域，更具体地，涉及一种基于贝叶斯网络的交通违法行为严重等级预测方法。
背景技术：
近些年来，我国汽车保有量迅猛增长，2015年汽车保有量已达2.79亿辆。同时，机动车驾驶人违法违规现象普遍，据统计，2015年全国共查处交通违法行为4.42亿起，近90％人身伤亡交通事故是因违法行为导致的。
国内外学者针对交通事故进行了一些研究：马壮林等人运用累积logistic回归模型对交通事故严重程度的影响因素进行了研究；李娟等人研究了基于改进的bp神经网络模型对交通事故发生的次数、死亡人数和受伤人数进行预测的方法；秦小虎等运用贝叶斯网络模型研究了天气、时间段、车速等因素对交通事故发生的影响；在国外，karacasu等人运用logistics模型来分析交通事故发生的原因；husr等人运用累积logit模型对铁道路口交通事故发生的严重性进行研究；fuh等人通过研究人、车、路以及环境与交通事故的关系，运用bp神经网络模型来预测交通事故的发生；mehmet等人对bp神经网络与其他一些方法预测交通事故的发生进行了比较；deoj等人运用贝叶斯网络模型通过对道路信息、天气信息以及驾驶员信息等方面的分析来研究交通事故发生的原因；mujalli等人通过研究事故类型、年龄、天气因素、性别、照明、受伤人数和所涉及的乘员等因素来构建贝叶斯网络，预测了交通事故的严重程度；davis等研究了贝叶斯网络在交通事故重现方面的应用。然而，交通违法行为作为造成交通事故的主要原因之一，却很少有人去研究。
交通违法行为受多种因素的影响。选取广州市2015年全年的交通违法数据，取得数据4775690条，通过处理得到有效数据4623665条。基于数据对驾驶员性别、年龄、驾龄、时间、车辆类型以及车牌归属地等因素与交通违法行为严重等级进行分析，发现这些因素与交通违法行为严重等级有一定的相关性。建立一个交通违法行为严重等级预测模型，可以为交通违法行为管理和交通事故预防提供参考。
技术实现要素：
本发明提供一种能够更好的预测交通违法行为的严重等级基于贝叶斯网络的交通违法行为严重等级预测方法。
为了达到上述技术效果，本发明的技术方案如下：
一种基于贝叶斯网络的交通违法行为严重等级预测方法，包括以下步骤：
s1：确定贝叶斯模型的变量；
s2：建立贝叶斯模型并训练该模型。
进一步地，所述步骤s1的具体过程是：
根据对驾驶员性别、年龄、驾龄、违法事件发生时间段、违法车辆类型以及车辆归属地与交通违法严重等级的分析，确定这些因素作为贝叶斯模型的变量，一个训练集以及训练集中的参数可表示为：
x＝{g,a,d,t,w,v,o,l}(1)
其中：
g＝{0,1}表示性别，0表示女性，1表示男性；
a＝{0,1,2,3,4,5}表示年龄，其中0表示18-20岁，1表示21-30岁，2表示31-40岁，3表示41-50岁，4表示51-60岁，5表示61岁及以上；
d＝{0,1,2,3,4,5}表示驾龄，其中0表示0-3年，1表示4-6年，2表示7-10年，3表示10-15年，4表示16-20年，5表示21年及以上；
t＝{0,1,2}表示违法事件发生时间段，其中{0,1,2,}分别表示发生低频、中频、高频的交通违法事件的时间段；
v＝{0,1,2}表示车辆类型,其中{0,1,2,3}分别表示其他车辆、大型车、小汽车；
o＝{0,1}表示车牌归属地，其中0表示本地，1表示非本地；
l＝{1,2,3}表示违法行为等级，其中1表示轻微，2表示一般，3表示重大。
进一步地，所述步骤s2的具体过程是：
根据各模型变量之间相关关系，建立基于贝叶斯网络的交通违法行为严重等级预测模型：
p(l|g,a,d,t,v,o)＝p(l|h)＝p(h|l)*p(l)/p(h)p(l|h)(2)
采用极大后验假设得到：
p(l|h)＝p(h|l)*p(l)(3)
令6个因素条件相互独立，(3)式可以写成：
与现有技术相比，本发明技术方案的有益效果是：
本发明方法进行基于网络结构的有向图解描述，利用具有网络结构中的有向无环图来刻画各个要素之间的关联关系和影响程度，用节点变量来表达其各个要素，用节点之间的有向边来表达各要素之间的关联关系，用条件概率表来描述各要素之间的影响程度；本发明方法建立的贝叶斯网络模型能够更好的预测交通违法行为的严重等级，其预测结果可应用在交通违法行为管理和交通事故预防中。
附图说明
图1为本发明的交通违法行为严重等级预测模型结构示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于贝叶斯网络的交通违法行为严重等级预测方法，包括以下步骤：
s1：确定贝叶斯模型的变量；
s2：建立贝叶斯模型并训练该模型。
进一步地，所述步骤s1的具体过程是：
根据对驾驶员性别、年龄、驾龄、违法事件发生时间段、违法车辆类型以及车辆归属地与交通违法严重等级的分析，确定这些因素作为贝叶斯模型的变量，一个训练集以及训练集中的参数可表示为，如图1所示：
x＝{g,a,d,t,w,v,o,l}(1)
其中：
g＝{0,1}表示性别，0表示女性，1表示男性；
a＝{0,1,2,3,4,5}表示年龄，其中0表示18-20岁，1表示21-30岁，2表示31-40岁，3表示41-50岁，4表示51-60岁，5表示61岁及以上；
d＝{0,1,2,3,4,5}表示驾龄，其中0表示0-3年，1表示4-6年，2表示7-10年，3表示10-15年，4表示16-20年，5表示21年及以上；
t＝{0,1,2}表示违法事件发生时间段，其中{0,1,2,}分别表示发生低频、中频、高频的交通违法事件的时间段；
v＝{0,1,2}表示车辆类型,其中{0,1,2,3}分别表示其他车辆、大型车、小汽车；
o＝{0,1}表示车牌归属地，其中0表示本地，1表示非本地；
l＝{1,2,3}表示违法行为等级，其中1表示轻微，2表示一般，3表示重大。
进一步地，所述步骤s2的具体过程是：
根据各模型变量之间相关关系，建立基于贝叶斯网络的交通违法行为严重等级预测模型：
p(l|g,a,d,t,v,o)＝p(l|h)＝p(h|l)*p(l)/p(h)p(l|h)(2)
采用极大后验假设得到：
p(l|h)＝p(h|l)*p(l)(3)
令6个因素条件相互独立，(3)式可以写成：
由式(4)可知，要计算各等级先验概率p(h|l)，须知道各因素的先验概率。选取有效数据中的100万条数据作为贝叶斯网络模型的训练集，对交通违法行为严重程度预测算法进行训练。通过对该数据集进行训练得到所需的相关概率分布如表1所示。
表1交通违法因素先验概率
已知先验概率后，运用贝叶斯网络模型进行交通违法行为严重程度预测的基本思路：
对于任意给定的一组观测值g＝g1,a＝a1,d＝d1,t＝t1,,v＝v1,o＝o1,分别可以算出l＝l1,l＝l2,l＝l3的后验概率，即：
p(l1|g1,a1,d1,t1,v1,o1)；
p(l2|g1,a1,d1,t1,v1,o1)；
p(l3|g1,a1,d1,t1,v1,o1)。
依照公式(4)可算出三个等级各自的后验概率值，比较其大小，其中后验概率最大的一个等级即为预测的交通违法行为严重等级。
本发明与累积logistics模型和神经网络模型的预测精度对比实验：
运用例1所用100万条数据对累积logistics模型和神经网络模型进行标定(运用spss统计分析软件)。在广州市2012-2016年的交通违法数据中，每年随机采用了1万条(2015年在训练集数据之外取)交通违法数据作为测试集来对贝叶斯网络模型、累积logistics模型和神经网络模型的预测精度进行检验和比较。
表2预测精度对比
由表2可知，用贝叶斯网络模型对交通违法行为严重程度预测的准确率均达到了0.7以上，普遍高于累积logistics模型和神经网络模型，这充分说明了贝叶斯网络模型与交通违法行为严重等级预测有较高的契合度。
如果将驾驶员的心理、生理状态、天气以及道路状况等因素对交通违法行为严重等级的影响考虑进去，贝叶斯模型的精度将进一步提高。总体来说，用贝叶斯网络模型预测交通违法行为的严重程度是可行的。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。