典型道路交通事故致因關聯(lián)規(guī)則挖掘研究

陳彬 于鵬程 張奇

摘 要：道路交通事故總量居高不下，嚴重威脅百姓的生命財產安全。本文通過Apriori算法對高速公路和城市道路兩種典型交通環(huán)境下的交通事故致因進行關聯(lián)規(guī)則挖掘，用以發(fā)現(xiàn)事故致因間的關聯(lián)關系，從而可對道路交通事故防控起到一定的指導作用。

關鍵詞：事故致因；關聯(lián)規(guī)則；Apriori算法

中央級公益性科研院所基本科研業(yè)務費專項資金資助項目：基于道路交通事故再現(xiàn)的風險意識評估與提升技術研究（111041000000180001201101）

根據(jù)公安部交通管理局發(fā)布數(shù)據(jù)顯示，自2018年全國接報道路交通事故起數(shù)同比上升21.8%后，基本維持穩(wěn)態(tài)波動。道路交通事故的發(fā)生是由涉及到人員因素、車輛因素和交通環(huán)境因素等多方面客觀和主觀因素導致，傳統(tǒng)的道路交通事故分析已不能滿足事故防控需求。因此，為了切實找到事故發(fā)生的客觀規(guī)律，需要通過關聯(lián)規(guī)則分析對事故發(fā)生的影響因素進行耦合分析[1]，尋找其潛在的關聯(lián)規(guī)則，探尋事故發(fā)生的內在規(guī)律，從而對實現(xiàn)事故“減量控大”[2]，指導各地制定有針對性措施提供有益借鑒。

1關聯(lián)規(guī)則

挖掘關聯(lián)規(guī)則[3]就是尋找多要素間的頻繁項集合。為了量化表現(xiàn)項集間的關系，需要使用到兩個度量值：支持度（support）和可信度（confidence）。

其中，Support（X）表示X項目的支持度，number（X）表示X項集的頻數(shù)，number（N）表示數(shù)據(jù)集總項集的頻數(shù)。公式表示為該項集記錄占數(shù)據(jù)集總記錄的比例。而“最小支持度”則是根據(jù)經驗預設定的一個閾值。

此外，針對具體問題具體分析，有學者在選取最小支持度和最小可信度時，不采用設置閾值做對比的方法，而是直接將計算結果的前百分之N（N一般選用20）作為選取結果。尋找頻繁項集，就是篩選出達到已設定的最小支持度的項集。找出頻繁項集，是挖掘關聯(lián)規(guī)則的第一步，也是最重要的一步，然后再從頻繁項集中，計算項集之間的可信度。只有支持度和可信度都得到之后，才能夠挖掘出強關聯(lián)規(guī)則，即支持度與可信度同時滿足最小支持度與最小可信度的閾值設定，該關聯(lián)規(guī)則就是強關聯(lián)規(guī)則。

2 Apriori算法

Apriori算法[4]是通過遍歷輸入數(shù)據(jù)集，從單元素開始計算支持度，篩選出滿足最小支持度的頻繁一項集，再從這些頻繁一項集中連接各個元素生成兩個元素的候選二項集，計算支持度，篩選出頻繁二項集，以此類推，直到不能生成新的頻繁項集為止。自此，得到所有頻繁項集，從頻繁二項集開始計算可信度，每個頻繁項集間的所有元素都可互相計算可信度數(shù)值。由于所有頻繁項集都是滿足最小支持度閾值的，所以此時僅考慮并篩選出滿足最小可信度閾值的關聯(lián)關系，即為強關聯(lián)規(guī)則。

3實驗分析

3.1 實驗數(shù)據(jù)和關聯(lián)屬性

實驗分析使用道路交通事故抽樣數(shù)據(jù)，經數(shù)據(jù)處理后，發(fā)現(xiàn)有16項事故影響屬性可能與事故發(fā)生存在強關聯(lián)關系，如表1所示。

3.2 實驗條件和實驗結果

本文選取了高速公路和城市道路[5]兩種交通場景進行關聯(lián)性分析，為了保證實驗結果不遺漏有效信息，實驗設置上相對選取了較小的最小支持度（min_Sup）閾值和最小可信度（min_ Conf）閾值，且因為不同場景的數(shù)據(jù)采樣量不同，所以參數(shù)設置上也有所差異。

3.2.1 高速公路場景

高速公路場景下，取最小支持度min_Sup= 90/N（高速公路），其中N（高速公路）為高速公路場景下數(shù)據(jù)采樣量總量。取最小可信度min_Conf = 0.05。通過python編程，經Apriori算法計算，結果按照可信度由高到底，取前10條違法行為和事故形態(tài)間的強關聯(lián)規(guī)則，如表2所示。

3.2.2 城市道路場景

城市道路場景下，取最小支持度min_Sup = 100/N（城市道路）、最小可信度min_Conf = 0.05。通過python編程，經Apriori算法計算，結果按照可信度由高到底，取前10條違法行為和事故形態(tài)間的強關聯(lián)規(guī)則，如表3所示。

3.3 實驗分析和總結

拋開數(shù)據(jù)樣本本身的局限性來說，由兩組實驗的結果可見，高速公路和城市道路場景下的強關聯(lián)規(guī)則既有相同性，也有差異性。

相同性在于在發(fā)生事故的前提下，發(fā)生“碰撞運動車輛”的事故形態(tài)的強度都很高，最高由“違法變更車道”的行為發(fā)生時，會有約90%的概率導致“碰撞運動車輛”的事故結果；最低由“違法上道路行駛”的行為發(fā)生，會有約11%的概率導致“碰撞運動車輛”的事故結果，可見在這兩種場景下，違法行為都很容易導致車輛間的碰撞事故。

差異性主要體現(xiàn)在以下幾個方面：

（1）高速公路場景下的強關聯(lián)規(guī)則在強度上明顯弱于城市道路場景。在城市道路場景中，前10項關聯(lián)規(guī)則中最高關聯(lián)強度可達約90%，最低也在57%左右，而在高速公路場景，最高約60%，最低則只有11%左右；

（2）不同場景下的強關聯(lián)規(guī)則不同。在高速公路場景下，強關聯(lián)規(guī)則的違法行為主要集中在“疲勞駕駛”“違法上道路行駛”和“超速行駛”上，而在城市道路場景，強關聯(lián)規(guī)則的違法行為分布均勻；在城市道路場景下，強關聯(lián)規(guī)則的事故形態(tài)主要集中在“碰撞運動車輛”，而在高速公路場景，主要集中在“追尾碰撞”和“碰撞運動車輛”。

（3）不同場景下相同違法行為導致相同事故形態(tài)的關聯(lián)度差別大。“違法上道路行駛→碰撞運動車輛”的關聯(lián)，在高速公路場景的關聯(lián)度只有11%左右，而在城市道路場景約58%。

（4）不同場景下相同違法行為導致不同事故形態(tài)比例差別也很大。在城市道路場景中，“違法上道路行駛”只與“碰撞運動車輛”具有強關聯(lián)，而在高速公路場景中，其強關聯(lián)要素還包括“刮撞行人”和“追尾碰撞”。

4結束語

使用Apriori算法對事故數(shù)據(jù)進行關聯(lián)規(guī)則挖掘分析，可以準確找到各屬性間的關聯(lián)關系，對事故防控可以一定的指導作用。下步除了將關聯(lián)規(guī)則分析由違法行為和事故形態(tài)向多維度挖掘外，還將進一步拓展交通場景，最終形成事故致因的關聯(lián)規(guī)則庫，為道路交通事故“減量控大”提供支撐。

參考文獻

[1]馬庚華，鄭長江，鄧評心，李銳.關聯(lián)規(guī)則挖掘在道路交通事故分析中的應用[J].西華大學學報（自然科學版），2019，38（03）：93-97+112.

[2]交宣.公安部交管局：深入推進道路交通事故預防“減量控大”工作 全力確保道路交通安全形勢穩(wěn)定[J].汽車與安全，2020（10）：9-11.

[3]王冬秀，賴先濤，李輝，蘇宇.道路交通事故中關聯(lián)規(guī)則挖掘研究[J].計算機與現(xiàn)代化，2012（08）：206-208+217.

[4]李英，湯庸.基于關聯(lián)規(guī)則與相似度的數(shù)據(jù)挖掘算法研究[J].華南師范大學學報（自然科學版），2021，53（05）：121-127.

[5]城市道路交通事故特點分析[J].汽車與安全，2019（07）：13-14+2.