典型道路交通事故致因關聯規則挖掘研究

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境下的交通事故致因進行關聯規則挖掘，用以發現事故致因間的關聯關系，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；關聯規則；Apriori算法

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

根據公安部交通管理局發布數據顯示，自2018年全國接報道路交通事故起數同比上升21.8%后，基本維持穩態波動。道路交通事故的發生是由涉及到人員因素、車輛因素和交通環境因素等多方面客觀和主觀因素導致，傳統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生的客觀規律，需要通過關聯規則分析對事故發生的影響因素進行耦合分析[1]，尋找其潛在的關聯規則，探尋事故發生的內在規律，從而對實現事故“減量控大”[2]，指導各地制定有針對性措施提供有益借鑒。

1關聯規則

挖掘關聯規則[3]就是尋找多要素間的頻繁項集合。為了量化表現項集間的關系，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，number（N）表示數據集總項集的頻數。公式表示為該項集記錄占數據集總記錄的比例。而“最小支持度”則是根據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，是挖掘關聯規則的第一步，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規則，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，該關聯規則就是強關聯規則。

2 Apriori算法

Apriori算法[4]是通過遍歷輸入數據集，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關系，即為強關聯規則。

3實驗分析

3.1 實驗數據和關聯屬性

實驗分析使用道路交通事故抽樣數據，經數據處理后，發現有16項事故影響屬性可能與事故發生存在強關聯關系，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據采樣量不同，所以參數設置上也有所差異。

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據采樣量總量。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間的強關聯規則，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間的強關聯規則，如表3所示。

3.3 實驗分析和總結

拋開數據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規則既有相同性，也有差異性。

相同性在于在發生事故的前提下，發生“碰撞運動車輛”的事故形態的強度都很高，最高由“違法變更車道”的行為發生時，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。

差異性主要體現在以下幾個方面：

（1）高速公路場景下的強關聯規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項關聯規則中最高關聯強度可達約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規則不同。在高速公路場景下，強關聯規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，強關聯規則的違法行為分布均勻；在城市道路場景下，強關聯規則的事故形態主要集中在“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的關聯度差別大。“違法上道路行駛→碰撞運動車輛”的關聯，在高速公路場景的關聯度只有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，而在高速公路場景中，其強關聯要素還包括“刮撞行人”和“追尾碰撞”。

4結束語

使用Apriori算法對事故數據進行關聯規則挖掘分析，可以準確找到各屬性間的關聯關系，對事故防控可以一定的指導作用。下步除了將關聯規則分析由違法行為和事故形態向多維度挖掘外，還將進一步拓展交通場景，最終形成事故致因的關聯規則庫，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.關聯規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規則挖掘研究[J].計算機與現代化，2012（08）：206-208+217.

[4]李英，湯庸.基于關聯規則與相似度的數據挖掘算法研究[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.