基于Apriori 算法的電動自行車危險駕駛行為特征分析

■李妙梅 業(yè)夢輝 林文強 黃海南＊

（福建農(nóng)林大學交通與土木工程學院， 福州 350002）

電動自行車由于其靈活性和不擁堵等特點近年來備受青睞。 由于現(xiàn)有交通法規(guī)對電動自行車違章約束力度較低，其危險駕駛行為頻繁出現(xiàn)，甚至引發(fā)了許多交通事故。于昊等[1]基于電動自行車交通事故數(shù)據(jù)進行分析， 發(fā)現(xiàn)造成電動自行車肇事事故及死亡事故的主要原因是逆行、 違反交通信號通行等危險駕駛行為；王濤等[2]通過彈性分析發(fā)現(xiàn)，駕駛?cè)说倪`規(guī)行為對電動自行車交通事故嚴重程度的影響最為顯著；覃國峰等[3]構(gòu)建了結(jié)構(gòu)方程模型，模型表明電動自行車駕駛員的風險性駕駛行為主要受交通安全態(tài)度的影響。目前，鮮有研究者對電動自行車危險駕駛行為的關(guān)聯(lián)因素展開深入研究， 在此將通過對典型斷面的電動自行車駕駛行為抽樣調(diào)查， 深入剖析電動自行車危險駕駛行為的特征， 并進一步分析其行為的相關(guān)影響因素，進而提供合理的干預建議，以期降低與電動自行車相關(guān)的交通傷害。

1 電動自行車行為調(diào)查與分析

1.1 調(diào)查內(nèi)容

根據(jù)預調(diào)查及數(shù)據(jù)分析需求，研究選取了駕駛員年齡、駕駛行為類別、承載情況等3 個方面開展電動自行車行為調(diào)查。 其中，駕駛員年齡屬于駕駛?cè)藢傩哉{(diào)查，將駕駛員年齡大致分為青年、中年和老年3 個層次；駕駛行為類別屬于駕駛行為屬性調(diào)查，將常見危險駕駛行為劃分為駕駛員危險類和駕駛行為危險類，駕駛員危險類涵蓋未戴頭盔、車輛安裝遮陽傘，駕駛行為危險類涵蓋闖紅燈、逆行、在機動車道行駛、單手行駛等；承載情況屬于駕駛類型調(diào)查，可區(qū)分載人或載貨屬性，如圖1 所示。

圖1 電動自行車行為調(diào)查內(nèi)容

1.2 調(diào)查數(shù)據(jù)基本特征

在福州市鼓樓區(qū)、倉山區(qū)和閩侯縣隨機選取7 個電動自行車斷面流量較大的路段展開調(diào)查工作，共獲取2250 個樣本信息，其中36 個樣本由于部分數(shù)據(jù)缺失被剔除，共獲取有效數(shù)據(jù)2214 項，見表1。

表1 樣本主要特征信息

本研究對不同屬性電動自行車駕駛?cè)藛T的情況做出統(tǒng)計，見表2。 筆者在調(diào)查過程中得知，在所選擇的各調(diào)查地點中均有交通制度監(jiān)察駕駛?cè)藛T及乘客是否佩戴頭盔，但不戴頭盔的危險駕駛行為依然隨處可見。根據(jù)數(shù)據(jù)顯示，70.22%的青年群體、65.77%的中年群體及38.60%的老年群體均無佩戴頭盔的習慣，而且電動自行車駕駛員在空載、載兒童、 載成人狀態(tài)時不佩戴頭盔占比也分別高達67.94%、61.72%及81.17%，可見電動自行車駕駛?cè)藛T對佩戴頭盔等安全駕駛條例不夠重視。 對比各項危險駕駛行為的比例可知，在機動車道行駛、不佩戴頭盔是危險駕駛行為中占比較高的現(xiàn)象。

表2 電動自行車危險駕駛行為的相關(guān)特征信息

針對不同年齡駕駛者的駕駛行為展開對比分析，可發(fā)現(xiàn)：老年群體在機動車道駕駛的比例明顯偏低；青年、中年、老年群體安全駕駛電動自行車的比例依次為20.22%、20.29%、40.35%， 其中老年群體安全駕駛電動自行車的比例約為青年群體、中年群體的2 倍， 老年群體的安全駕駛意識相對較高；青年駕駛員在電動自行車上安裝遮陽傘的比例明顯偏低。 針對不同承載屬性的電動自行車駕駛者展開駕駛行為分析，可發(fā)現(xiàn)：外賣車駕駛員闖紅燈、逆行的占比明顯較高，但大多數(shù)外賣車駕駛員在駕駛時選擇佩戴安全頭盔， 且安全駕駛的比例明顯較高；電動自行車空載時，駕駛員在機動車道駕駛的比例明顯偏低；載兒童的電動自行車安裝遮陽傘的比例明顯較高。

2 關(guān)聯(lián)規(guī)則理論

常用的數(shù)據(jù)挖掘分析方法有回歸分析、 聚類、關(guān)聯(lián)規(guī)則、偏差分析等[4]，關(guān)聯(lián)規(guī)則因其與實際情況貼合度高等優(yōu)點，成為數(shù)據(jù)挖掘的一項重要分支。傳統(tǒng)分析方法在調(diào)查時需事先設定好自變量與因變量，調(diào)查后再進行單一變量分析[5]，而關(guān)聯(lián)規(guī)則的優(yōu)勢在于可對某一個樣本的多個特征同時進行關(guān)聯(lián)性分析。 頻繁項集的計算是關(guān)聯(lián)規(guī)則中的一項重要問題[6]。 頻繁項集即符合最小支持度閾值的項集。目前在計算頻繁項集方面， 廣泛使用R.Agrawal 等人提出的Apriori 關(guān)聯(lián)算法。 關(guān)聯(lián)規(guī)則中主要包含了3 個重要概念，即支持度、置信度和提升度[7]。

（1）支持度：數(shù)據(jù)集中包含A 項集的數(shù)據(jù)占總數(shù)據(jù)集的比例；用于篩除出現(xiàn)頻率較小的項集。

（2） 置信度： 在A 發(fā)生的條件下，B 發(fā)生的概率，即條件概率；置信度也稱作可信度，用于評判該項集預測結(jié)果的準確度。

（3）提升度：在A 發(fā)生的條件下，B 發(fā)生的概率是否有明顯的提升；提升度＞1，則表明兩個前后項之間呈正相關(guān)；提升度=1，則表明兩個前后項之間沒有關(guān)聯(lián)性；提升度＜1，則表明兩個前后項之間呈負相關(guān)[8]。

本研究基于Python 編程語言， 采用Apriori 算法對所收集的數(shù)據(jù)進行關(guān)聯(lián)分析。Apriori 關(guān)聯(lián)算法主要通過不斷迭代的方式，尋找數(shù)據(jù)集中具有強關(guān)聯(lián)性的頻繁項集。 算法流程大致為：首先設置算法的最小支持度閾值min_sup 及最小置信度閾值min_con。在數(shù)據(jù)集中尋找支持度不低于min_sup的項集，即頻繁項集，記為L1；頻繁項集L1與自身連接得到候選項集， 篩選掉候選項集中低于min_sup 的項集，得到頻繁項集L2，繼續(xù)重復以上步驟，直至無法再找到頻繁項集[9]，如圖2 所示。

圖2 Apriori 關(guān)聯(lián)算法流程

3 危險駕駛行為特征分析

3.1 關(guān)聯(lián)規(guī)則分析

最小支持度閾值和最小置信度閾值對實驗結(jié)果影響極大，若閾值過小，會導致大量低頻偶然數(shù)據(jù)也被包含在內(nèi)，且加長運行時間；若閾值過大，則會導致強關(guān)聯(lián)規(guī)則數(shù)量過少， 無法進行有效分析。本研究根據(jù)數(shù)據(jù)特征，采取不同的最小支持度閾值和最小置信度閾值進行測試，以求得到的強關(guān)聯(lián)規(guī)則數(shù)量適宜且有效信息量充足；最終確定最小支持度閾值為20%，最小置信度閾值為60%，過濾掉頻率小于20%的項集，同時保證項集預測結(jié)果的準確度均在60%以上。 通過Apriori 關(guān)聯(lián)算法分析，以電動自行車駕駛員的年齡屬性及電動車承載情況作為前項，以危險駕駛行為類別作為后項，得到電動自行車危險駕駛行為的頻繁項集及強關(guān)聯(lián)規(guī)則，見表3。

表3 電動自行車危險駕駛行為強關(guān)聯(lián)規(guī)則

3.2 實驗結(jié)果分析

對表3 中的強關(guān)聯(lián)規(guī)則進行分析，可挖掘出電動自行車的駕駛員年齡屬性、車輛承載屬性與發(fā)生危險駕駛行為之間是否存在關(guān)聯(lián)性，結(jié)果見表4。其中提升度＞1 的項集則表明，前項發(fā)生時，后項發(fā)生的概率比一般水平高，提升度越高則代表后項發(fā)生的可能性越大。 主要潛在規(guī)律如下：

表4 強關(guān)聯(lián)規(guī)則結(jié)果分析

（1）規(guī)則#1、#2、#3 中項集提升度均＞1，可知當電動自行車駕駛員為青年時，易發(fā)生逆行、在機動車道駕駛、乘客未帶頭盔的危險駕駛行為；

（2）規(guī)則#4、#5、#6 中項集提升度均＞1，表明當電動自行車駕駛員為中年時，易發(fā)生在機動車道駕駛、闖紅燈、安裝遮陽傘的危險行為；

（3）規(guī)則#7、#8 表明，電動自行車的承載屬性為載成人或載兒童時，乘客未佩戴頭盔的概率大大提升，特別是在載成人的情況下，未佩戴頭盔的概率更高；

（4）由規(guī)則#9、#10 可知，相比空載情況，電動自行車駕駛員承載成人時，更易產(chǎn)生未佩戴頭盔的情況；

（5）由規(guī)則#11、#12 可得，從駕駛員年齡屬性的角度分析，青年駕駛員和中年駕駛員均易發(fā)生未佩戴安全頭盔的危險駕駛行為。

為減少電動自行車危險駕駛行為的發(fā)生，提高社會交通環(huán)境的安全性，基于調(diào)查數(shù)據(jù)特征及以上潛在規(guī)律，提出如下建議：

（1）對調(diào)查數(shù)據(jù)進行對比分析可知，外賣車駕駛員群體極易產(chǎn)生逆行、 闖紅燈等危險駕駛行為。其原因在于， 人們對外賣配送的服務質(zhì)量要求不斷提升，尤其是對配送的準時性極為重視，若外賣員配送超時極可能收到差評，甚至需要賠付費用。 另外，部分外賣配送員時常接過多的訂單， 導致部分外賣無法準時送達，于是其不惜違反交通法規(guī)，以提高外賣的配送速度。因此，應適當限制外賣配送員的接單數(shù)量，同時減輕對配送超時行為的處罰力度。

（2）電動自行車承載兒童時，為避免兒童曬太陽時間過長，其安裝遮陽傘的占比顯著提升。 但電動自行車上安裝遮陽傘， 會導致駕駛員的視野受限，尤其是在交叉口或拐彎處，極易導致交通事故。應加強對電動自行車安裝遮陽傘行為的管制力度，倡導通過使用兒童防曬衣等方式達到遮陽效果。

（3）可針對不同年齡段的人群，在不同地點開展電動自行車危險駕駛行為相關(guān)知識的普及。 在學校或商場等青年群體聚集區(qū)域，可針對逆行、在機動車道駕駛、 未佩戴頭盔等危險駕駛行為的危害性，進行重點宣傳教育；在社區(qū)等中年群體?；顒訁^(qū)域，可重點開展機動車道駕駛、安裝遮陽傘、闖紅燈等電動自行車危險駕駛行為的知識普及活動。

（4）目前對于電動自行車的約束有限，相關(guān)法律法規(guī)的完善及落實還有待加強。 建議加強對電動自行車危險駕駛行為的法律約束，加大對電動自行車的監(jiān)察、監(jiān)管力度，對電動自行車駕駛員開展一定的培訓和考核。

（5）應盡量避免電動自行車的載人行為。 電動自行車載人時， 駕駛員傾向于不佩戴安全頭盔，且各年齡段的乘客也不愿佩戴頭盔。 另外，電動自行車載人時車輛由于重量增加更難以控制，危險系數(shù)更高。 目前，我國電動自行車載人由各省自行制定，電動自行車能否載人因地而異。 國內(nèi)部分地區(qū)已明確規(guī)定電動自行車禁止載人，并出臺了相應的監(jiān)察措施。

4 結(jié)論

基于現(xiàn)今電動自行車的社會歷史環(huán)境及其發(fā)展狀況， 研究通過預調(diào)研制定了電動自行車危險駕駛行為調(diào)查表， 并在福州典型道路斷面開展了電動自行車危險駕駛行為抽樣調(diào)查和分析。 通過數(shù)據(jù)挖掘的方式， 可知電動自行車屬性與電動自行車危險駕駛行為之間的潛在聯(lián)系，即：不同年齡段的電動自行車駕駛?cè)藛T與危險駕駛行為之間的聯(lián)系， 以及不同承載情況的電動自行車與危險駕駛行為之間的聯(lián)系。 由此了解電動自行車危險駕駛行為產(chǎn)生的內(nèi)在機理，為制定交通環(huán)境安全措施提供科學依據(jù)，同時為相關(guān)部門實施針對性管理策略提供有益參考。

由于本研究采用了抽樣調(diào)查數(shù)據(jù)，數(shù)據(jù)具有一定的區(qū)域性和局限性，無法表征全國各地電動自行車行為差異，后續(xù)研究將進一步采集和分析不同區(qū)域特色的電動自行車駕駛行為， 擴大數(shù)據(jù)樣本，同時深入分析不同危險駕駛行為的危險程度。