交通事件是造成交通拥堵的主要因素之一,而先进的交通事件管理系统是减少损失的有效工具。事件检测算法与事件影响评估方法又是交通事件管理系统的关键技术。　　 本文回顾了国内外交通事件检测算法与事件影响评估的研究概况,总结了现有的研究成果。介绍了贝叶斯网的基本理论,并分析了其在本领域的应用前景。应用AYE仿真数据作为实例分析了事件对上下游检测器处的交通流参数的实时影响。分析结果表明,事件会造成检测器数据的明显变化,而事件检测的原理即为发现这种变化。　　 为提高检测算法的检测性能与可移植性,本文在建立事件检测算法之前,研究了数据的预处理方法,应用小波对数据进行去噪处理,将去噪后的数据归一化后进行基于熵的离散化处理。最后得到作为模型输入的数据。　　 在理论分析的基础上,本文选择朴素贝叶斯(NB)模型与加树朴素贝叶斯(TAN)模型构建事件检测算法。研究了模型结构与参数的学习算法以及推理算法,并用指数平滑的方法代替持续检验以减少平均检测时间。利用AYE数据与Ⅰ-880数据进行了实证研究,标定了模型的结构与参数,并评价了算法。　　 在检测到事件后,需要评估事件的影响程度,以作为后续工作的决策依据。本文选择事件延误评价事件对交通系统效率的影响,拥挤长度作为事件的空间影响范围的评价指标。分别根据排队理论与激波分析理论,本文建立了估计事件延误与拥挤长度的模型,模型的输入参数为事件前后的交通流参数与事件持续时间。事件持续时间同时也是评价事件时间影响范围的重要指标,因此本文重点研究了基于贝叶斯网的事件持续时间预测方法。　　 本文选择NB模型与TAN模型构建了持续时间预测的离散模型。该类模型给出的是持续时间在若干个区间上的离散分布,而不是其在整个可行域内的概率密度函数,因此仅能作为定性决策的依据。为了拓展应用的范围,本文还构建了基于混合贝叶斯网的连续模型。该模型假设持续时间服从对数正态分布,可以给出其连续的分布规律。　　 利用乔治亚交通局收集的数据,构建并评价分析了各预测模型。准确率评价结果表明,TAN模型的预测性能较优,而连续模型中的假设也通过了分布拟合检验。另外,敏感性分析的结果表明,事件的分类标准可以解释为严重程度与复杂程度。