基于OLAP的道路交通事故影響因素分析

惠寶鋒 馮桂蓮 王詠寧

摘 要：本文通過數(shù)據(jù)挖掘相關(guān)基礎(chǔ)進(jìn)行數(shù)據(jù)庫(kù)搭建，選取2002—2016年數(shù)據(jù)進(jìn)行OLAP分析，通過數(shù)據(jù)切片及數(shù)據(jù)向下鉆取，將二維數(shù)據(jù)轉(zhuǎn)換成三維數(shù)據(jù)進(jìn)行深度剖析，結(jié)果顯示全國(guó)道路交通事故影響因素主要集中在機(jī)動(dòng)車超速行駛及逆向行駛中，其中駕駛?cè)诵袨橛葹橥怀觥Ｔ贓views軟件中對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)分析發(fā)現(xiàn)道路交通事故存在非線性關(guān)系，并且預(yù)測(cè)了未來(lái)三年的道路交通事故數(shù)量及傷亡數(shù)量，數(shù)據(jù)顯示出道路交通事故呈逐年下降趨勢(shì)。

關(guān)鍵詞：數(shù)據(jù)挖掘；聯(lián)機(jī)分析處理；交通事故；預(yù)測(cè)分析

中圖分類號(hào)：TP319 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2096-1472（2018）-07-21-03

1 引言（Introduction）

隨著社會(huì)的發(fā)展與進(jìn)步，汽車已經(jīng)成為人們生活中必不可少的交通工具，目前汽車總量已經(jīng)達(dá)到2017年中國(guó)大概有2.45億輛，隨著汽車與交通運(yùn)輸給我?guī)Я吮憬莸耐瑫r(shí)，也帶來(lái)了事故頻發(fā)的交通事故。早在1994年瑞典推出了交通“零傷亡愿景”計(jì)劃，力爭(zhēng)在2020年前實(shí)現(xiàn)道路交通事故零死亡和零重傷率[1]。國(guó)外的許多學(xué)者運(yùn)用線性回歸、Logistic回歸、神經(jīng)網(wǎng)絡(luò)等手段分析交通事故嚴(yán)重程度與人的特性、車輛速度、道路條件和交通環(huán)境之間的關(guān)聯(lián)性[2]。

本文通過數(shù)據(jù)挖掘基本理論[3]，建立道路交通事故數(shù)據(jù)庫(kù)[4，5]，通過OLAP（OnLine Analytical Processing，聯(lián)機(jī)分析處理）及經(jīng)濟(jì)計(jì)量視圖軟件Eviews，對(duì)2002—2016年交通事故數(shù)據(jù)進(jìn)行抽取分析，切塊與切片等數(shù)據(jù)處理，試圖通過交通事故數(shù)量及類型分析[6]，來(lái)揭示對(duì)道路交通事故影響的主要因素，通過制定相關(guān)法律、法規(guī)等政策，最終進(jìn)行道路交通事故預(yù)測(cè)及分析[7，8]，試圖從數(shù)據(jù)挖掘的角度來(lái)預(yù)測(cè)交通事故未來(lái)的走向。

2 道路交通事故分析系統(tǒng)構(gòu)建（System construction）

通過《中國(guó)統(tǒng)計(jì)年鑒》中的“交通事故”相關(guān)內(nèi)容分別對(duì)全國(guó)各要省及直轄市從2002—2016年道路交通事故數(shù)據(jù)進(jìn)行收集與整理，并建立了交通事故基本數(shù)據(jù)庫(kù)（Traffic Accident），其內(nèi)容主要涉及內(nèi)容包含地區(qū)表及交通事故分類表，地區(qū)表包含32個(gè)省及直轄市的交通事故總發(fā)生數(shù)、總死亡人數(shù)、總直接財(cái)產(chǎn)損失，如圖1所示。類表是全國(guó)數(shù)據(jù)匯總數(shù)據(jù)包括事故總數(shù)、特大事故、重大事故、機(jī)動(dòng)車、非機(jī)動(dòng)車，以及行人等導(dǎo)致的交通事故總和，如圖2所示。

本文根據(jù)Traffic Accident數(shù)據(jù)庫(kù)所建立的基本數(shù)據(jù)模型，分別建立表之間的關(guān)系試圖，將全國(guó)各地區(qū)所發(fā)生的道路交通事故數(shù)據(jù)進(jìn)行對(duì)比和分析，將其中交通事故較高的地區(qū)的具體數(shù)據(jù)引入SPSS統(tǒng)計(jì)軟件進(jìn)行線性分析，如圖3所示。

從圖3結(jié)果中可以看出大部分地區(qū)的道路交通事故發(fā)生頻率在逐漸減少，只有個(gè)別地區(qū)故數(shù)量在上下波動(dòng)，但大致呈現(xiàn)出遞減趨勢(shì)，且經(jīng)濟(jì)發(fā)達(dá)地區(qū)高于不發(fā)達(dá)地區(qū)，死亡人數(shù)也更多，北京地區(qū)受到嚴(yán)格的交通法規(guī)及政策的影響，交通事故發(fā)生率相對(duì)較低。

3 道路交通事故數(shù)據(jù)分析（Analysis of road traffic accident data）

我們通過OLAP對(duì)所獲得、加工后的數(shù)據(jù)進(jìn)行切片和鉆取，對(duì)交通事故的各個(gè)影響因素進(jìn)行分析和構(gòu)建，從中得到影響交通且造成交通事故的影響因素主要包括：行人和乘客的因素、環(huán)境因素、駕駛?cè)思败囕v因素等。其中主要是駕駛?cè)说囊蛩刈顬橹苯?。通過對(duì)駕駛?cè)艘蛩剡M(jìn)行切塊與切片分析，影響原因包含了超速、酒后駕駛、違法變道、不安規(guī)定路線行駛、違反交通信號(hào)燈、違法占道、占用公交專用道、無(wú)證駕駛、毒駕等多種因素，我們將選取一些典型的因素進(jìn)行三維數(shù)組分析。如圖4所示。

在進(jìn)行分析處理上我們首先對(duì)駕駛?cè)藬?shù)據(jù)進(jìn)行了二位數(shù)組的采集，在建立的二位表的基礎(chǔ)上向下進(jìn)行鉆取數(shù)據(jù)，通過在多層數(shù)據(jù)中來(lái)進(jìn)行更詳細(xì)的數(shù)據(jù)分析，最終得到以車類型（機(jī)動(dòng)車與非機(jī)動(dòng)車）、時(shí)間（2014—2016）、事故具體因素為三維數(shù)組圖。如圖5所示，從圖中可以看出超速行駛與違法逆行造成的交通事故較多，監(jiān)管部門應(yīng)當(dāng)加強(qiáng)監(jiān)管。

在行人及乘客因素中通過切片可以看出行人主要是由于違反交通信號(hào)和其他影響安全的行為所導(dǎo)致的交通事故，環(huán)境因素中導(dǎo)致交通事故的主要因素是道路總體路況，氣候環(huán)境及行人為按信號(hào)燈過馬路和道路信號(hào)燈故障等。

4 道路交通事故預(yù)測(cè)分析（Prediction analysis）

由于道路交通事故數(shù)量隨時(shí)間變化是非線性相關(guān)的，我們將數(shù)據(jù)引入Eviews中，對(duì)給定區(qū)間的交通事故數(shù)據(jù)進(jìn)行非線性測(cè)量，預(yù)測(cè)2018—2020年道路交通事故結(jié)果如表1和表2所示。

根據(jù)表1和表2預(yù)測(cè)數(shù)據(jù)在Eviews進(jìn)行校驗(yàn)，在具體應(yīng)用中我們利用所獲得的數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行分析，再此基礎(chǔ)上利用間接代換方法對(duì)對(duì)數(shù)函數(shù)進(jìn)行非線性模型預(yù)測(cè)，分別得出預(yù)測(cè)期內(nèi)的道路交通事故數(shù)量分布圖、全國(guó)道路交通事故受傷人數(shù)數(shù)量分布圖、全國(guó)道路交通事故死亡人數(shù)數(shù)量分布圖及預(yù)測(cè)數(shù)據(jù)圖。如圖6—圖9所示。

從以往數(shù)據(jù)及進(jìn)行OLAP分析圖中我們明顯看出，隨著社會(huì)發(fā)展與道路交通規(guī)則及相應(yīng)的法律約束，及其宣傳等工作，交通道路事故的總體事故發(fā)生率、交通事故死亡認(rèn)識(shí)、其受傷人數(shù)及財(cái)產(chǎn)損失都有明顯下降趨勢(shì)，在進(jìn)行預(yù)測(cè)的基礎(chǔ)上對(duì)分析結(jié)果進(jìn)行了間接替換法進(jìn)行模型校驗(yàn)，表明符合非線性相關(guān)關(guān)系，證明所用分析方法可以進(jìn)行道路交通事故數(shù)據(jù)的預(yù)測(cè)分析。

5 結(jié)論（Conclusion）

本文利用數(shù)據(jù)挖掘基礎(chǔ)進(jìn)行聯(lián)機(jī)數(shù)據(jù)處理，建立相關(guān)數(shù)據(jù)庫(kù)，并全國(guó)各個(gè)主要省份交通事故進(jìn)行統(tǒng)計(jì)，在此基礎(chǔ)上通過OLAP進(jìn)行系統(tǒng)分析，取得影響交通安全的主要影響因素，通過對(duì)數(shù)據(jù)的切塊及切片處理，向下鉆取了三維數(shù)據(jù)表，顯示出影響交通安全的因素主要來(lái)自機(jī)動(dòng)車，在機(jī)動(dòng)車分類中駕駛?cè)顺蔀橹饕蛩?，而且形成交通事故因素為超速駕駛和逆向行駛，在最后我們利用經(jīng)濟(jì)計(jì)量視圖軟件Eviews對(duì)全國(guó)交通事故進(jìn)行了三年的預(yù)測(cè)分析，通過間接代換方法進(jìn)行預(yù)測(cè)，結(jié)論符合非線性對(duì)數(shù)函數(shù)模型，符合預(yù)測(cè)分析要求。預(yù)測(cè)發(fā)現(xiàn)在未來(lái)三年隨著時(shí)間的推移，交通事故發(fā)生數(shù)量在逐漸縮短，同時(shí)傷亡和死亡數(shù)量也呈下降趨勢(shì)。

參考文獻(xiàn)（References）

[1] GUO Hongling，QIAO Ting，SONG Xiaojiao，et al.The Application of Inductively Coupled Plasma Mass Spectrometry in Trace Evidence Examination[J/OL].刑事技術(shù)，2016（06）：470-475.

[2] 《中國(guó)公路學(xué)報(bào)》編輯部.中國(guó)交通工程學(xué)術(shù)研究綜述2016[J].中國(guó)公路學(xué)報(bào)，2016，29（06）：159-161.

[3] PEI Yu-long，MA Ji.Countermeasures for traffic accidents due to road conditions in China[J].Journal of Harbin Institute of Technology，2005，12（4）：358-364.

[4] 惠寶鋒，管慶春.物聯(lián)網(wǎng)分布式數(shù)據(jù)庫(kù)系統(tǒng)優(yōu)化研究[J].無(wú)線互聯(lián)科技，2016（06）：14-15.

[5] 許劭慶，馬彪，安海英.基于數(shù)據(jù)挖掘的網(wǎng)管告警處理方法研究[J].軟件工程，2016，19（12）：17-19；9.

[6] 章胤，趙文慧，包恒玥，等.基于k-means和關(guān)聯(lián)度分析的網(wǎng)絡(luò)招聘信息數(shù)據(jù)挖掘[J].軟件工程，2017，20（05）：10-14.

[7] 王元卓，賈巖濤，劉大偉，等.基于開放網(wǎng)絡(luò)知識(shí)的信息檢索與數(shù)據(jù)挖掘[J].計(jì)算機(jī)研究與發(fā)展，2015，52（02）：456-474.

[8] 張亞軍，劉宗田，周文.基于深度信念網(wǎng)絡(luò)的事件識(shí)別[J].電子學(xué)報(bào)，2017，45（06）：1415-1423.

作者簡(jiǎn)介：

惠寶鋒（1977-），男，碩士，講師.研究領(lǐng)域：信息管理與信息系統(tǒng)，大數(shù)據(jù)基礎(chǔ)應(yīng)用.

馮桂蓮（1979-），女，碩士，副教授.研究領(lǐng)域：軟件工程，圖像處理.

王詠寧（1971-），男，碩士，副教授.研究領(lǐng)域：虛擬儀器技術(shù)及應(yīng)用.