基于關(guān)聯(lián)分析的城鄉(xiāng)結(jié)合部交通事故致因識別

吳 彪 王星予 劉 拓 董乃寶 張俊新 張 鵬*

(黑龍江工程學(xué)院汽車與交通工程學(xué)院1) 哈爾濱 150050) (黑龍江省交通運輸信息和科學(xué)研究中心2) 哈爾濱 150080) (遼寧交投公路科技養(yǎng)護有限責任公司3) 沈陽 110148)

0 引 言

城鄉(xiāng)結(jié)合部因其空間地理位置特殊、交通類型繁多、交通組成復(fù)雜，已成為交通事故多發(fā)區(qū)域[1-2]，并引起專家學(xué)者的關(guān)注.劉唐志等[3]在城鄉(xiāng)結(jié)合部交通事故特征的基礎(chǔ)上，提出城鄉(xiāng)結(jié)合部交通安全改善對策；魏中華等[4]利用城鄉(xiāng)結(jié)合部交通事故數(shù)據(jù),分析了城鄉(xiāng)結(jié)合部高風險區(qū)域的形成原因；魏群等[5]采用屬性識別理論，建立城鄉(xiāng)結(jié)合部交通安全綜合評價模型；李巖[6]通過分析城鄉(xiāng)結(jié)合部交通安全影響因素，提出考慮道路條件的城鄉(xiāng)結(jié)合部交通安全評價方法；張惠玲等[7-8]利用行人安全性指標分析城鄉(xiāng)結(jié)合部各類設(shè)施對行人安全性的作用，基于TPB理論解析城鄉(xiāng)結(jié)合部駕駛員不安全駕駛行為的心理成因；李要果[9]建立城鄉(xiāng)結(jié)合部致死交通事故多項有序Logistic模型，量化分析不同因素對城鄉(xiāng)結(jié)合部交通事故的影響；牛世峰等[10]利用多分類有序Logit模型分析城鄉(xiāng)結(jié)合部交通事故嚴重程度的影響因素；Wu等[11]采用Logistic回歸模型分析事故時間、車輛類型、道路特征和事故類型等因素與城鄉(xiāng)結(jié)合部事故嚴重程度之間的關(guān)系.已有文獻對城鄉(xiāng)結(jié)合部交通事故嚴重程度的影響因素進行了初步探索，但主要集中城鄉(xiāng)結(jié)合部交通事故嚴重程度與事故風險因素之間的關(guān)系研究，對于事故致因之間的相互關(guān)聯(lián)性關(guān)注不足.

文中利用Apriori算法與灰色關(guān)聯(lián)分析方法，分析城鄉(xiāng)結(jié)合部交通事故致因的關(guān)聯(lián)規(guī)則、事故致因的關(guān)聯(lián)度，探究城鄉(xiāng)結(jié)合部交通事故致因之間的內(nèi)在關(guān)系，明確影響城鄉(xiāng)結(jié)合部交通事故頻次及交通事故嚴重程度的主要致因.

1 數(shù)據(jù)來源與處理

利用某中心城市城鄉(xiāng)結(jié)合部2014—2017年722起交通事故數(shù)據(jù)，分析城鄉(xiāng)結(jié)合部交通事故致因.事故數(shù)據(jù)包括事故時間、事故地點、天氣狀況、路段類型、事故類型、事故原因等信息.

數(shù)據(jù)預(yù)處理結(jié)果表明：城鄉(xiāng)結(jié)合部路段交通事故主要集中在07:00—12:00、17:00—20:00 時段；工作日發(fā)生交通事故528起，占事故總數(shù)的73.13%，休息日為194起，占事故總數(shù)的26.87%；7月份交通事故數(shù)最多，為88起，占事故總數(shù)的12.19%，2月份最少，為34起，占事故總數(shù)的4.71%；最頻繁發(fā)生的事故類型是碰撞和刮擦行人；夜間交通事故嚴重程度高；直線道路最容易發(fā)生事故；轎車發(fā)生事故的比例最高；事故致因為駕駛員操作不當和違反交通法規(guī).

2 研究方法

2.1 關(guān)聯(lián)規(guī)則Apriori算法

關(guān)聯(lián)規(guī)則基本問題可以描述為：若I={I1,I2,I3,…,Im}是由m組項目構(gòu)成的合集，定義每個交易T為合集I的非空子集，交易數(shù)據(jù)庫D為交易T的集合，即每個交易對應(yīng)唯一的標識符TID.如果X是I中幾個項目的集合，若有集合X?T，則關(guān)聯(lián)規(guī)則即為X→Y的蘊含式，其中X?I、Y?I且X∩Y=?.

鑒于Aprior可獨立挖掘數(shù)據(jù)集中的關(guān)聯(lián)規(guī)則，并且適用于小數(shù)據(jù)集的關(guān)聯(lián)規(guī)則分析[12]，本文選取Apriori算法分析城鄉(xiāng)結(jié)合部交通事故致因的關(guān)聯(lián)規(guī)則.Apriori算法中衡量關(guān)聯(lián)規(guī)則強度的指標主要有支持度S、置信度C、提升度L[13].其中:支持度S為交易集中包含X和Y的交易數(shù)與所有交易數(shù)之比，為

(1)

式中：S為規(guī)則X→Y的支持度；N(X∩Y)為包含X、Y的交易數(shù)；N為交易集中所有交易數(shù).

置信度C為規(guī)則前項已經(jīng)發(fā)生的前提下，規(guī)則后項再發(fā)生的概率，為

(2)

式中：C為規(guī)則X→Y的置信度.

提升度L為規(guī)則前項與規(guī)則后項的相關(guān)性，為

(3)

式中：L為規(guī)則X→Y的提升度；若L>1，則表明規(guī)則前項與規(guī)則后項正相關(guān)，若L<1，則表明規(guī)則前項與規(guī)則后項負相關(guān)；L值越高，則該規(guī)則提供的有效性越高.

2.2 灰色關(guān)聯(lián)度分析法

灰色關(guān)聯(lián)分析法主要用于系統(tǒng)中各個因素之間的關(guān)聯(lián)度分析，并依據(jù)關(guān)聯(lián)度值判斷各因素之間的相關(guān)性，具體計算流程為:

步驟1確定參考序列與比較序列

參考序列

X0={X0(1),X0(2),…,X0(N)}

(4)

式中：N為參考序列長度.

比較序列

Xi={Xi(1),Xi(2),…,Xi(N)}i=1,2,…,m

(5)

式中：m為比較序列長度.

在確定研究所需因變量與自變量的基礎(chǔ)上，將因變量定為參考序列X0、自變量定為比較序列Xi(i=1,2,…,m)，參考序列與比較序列構(gòu)成矩陣

(6)

式中：Xi為主元素，矩陣行表示時間，本研究采用某城市城鄉(xiāng)結(jié)合部2014—2017年交通事故數(shù)據(jù)，故N=4.

步驟2序列的無量綱化處理 利用平均法對統(tǒng)計數(shù)據(jù)進行無量綱化處理，獲得平均值百分比新序列.

(7)

步驟3計算關(guān)聯(lián)系數(shù) 比較序列與參考序列之間最小絕對差和最大絕對差為

(8)

(9)

關(guān)聯(lián)系數(shù)為

(10)

式中：Loi(k)為比較序列與參考序列在k時刻的關(guān)聯(lián)系數(shù)；ξ為分辨系數(shù)，ξ∈[0,1].

步驟4計算關(guān)聯(lián)度 比較序列Xi與參考序列X0的關(guān)聯(lián)度為關(guān)聯(lián)系數(shù)的平均值，即

(11)

式中：?i為關(guān)聯(lián)度；N為序列長度.

3 基于關(guān)聯(lián)規(guī)則Apriori算法的事故致因分析

城鄉(xiāng)結(jié)合部交通事故致因分類統(tǒng)計情況見表1.

在交通事故致因分析中， 關(guān)聯(lián)規(guī)則中的支持度通常取1%～4%， 置信度通常取10%～20%[15].為提高城鄉(xiāng)結(jié)合部交通事故致因關(guān)聯(lián)規(guī)則的精確度，本文取支持度S≥10%、置信度C≥40%、支持度L≥1.在界定支持度S、置信度C,以及支持度L最小閾值的基礎(chǔ)上，利用SPSS Modeler軟件Apriori算法挖掘城鄉(xiāng)結(jié)合部交通事故數(shù)據(jù)的二項集規(guī)則和三項集規(guī)則.

表1 事故致因分類表

考慮城鄉(xiāng)結(jié)合部交通事故數(shù)據(jù)的實際情況，將關(guān)聯(lián)規(guī)則前項的最大數(shù)設(shè)置為3.根據(jù)前項中因素數(shù)量的差異，分析結(jié)果可以分為具有1個前項的規(guī)則，具有2個前項的規(guī)則和具有3個前項的規(guī)則.

按照提升度排序的城鄉(xiāng)結(jié)合部交通事故致因二項集規(guī)則分析結(jié)果，見表2.

表2 二項集規(guī)則

由表2可知：違反交規(guī)與發(fā)生碰撞行人事故具有較強的關(guān)聯(lián)性，操作不當與碰撞事故具有較強關(guān)聯(lián)性，交叉口與違反交規(guī)、碰撞事故、轎車這三種事故致因具有較強關(guān)聯(lián)性，貨車與操作不當、碰撞、平直道這三種事故致因具有較強關(guān)聯(lián)性.

按照提升度排序的城鄉(xiāng)結(jié)合部交通事故致因的三項集規(guī)則分析結(jié)果，見表3.

表3 三項集規(guī)則

由表3可知：操作不當、轎車、貨車、平直道、交叉口、碰撞事故具有較強的關(guān)聯(lián)性，違反交規(guī)、轎車、碰撞事故具有較強的關(guān)聯(lián)性.

4 基于灰色關(guān)聯(lián)分析的事故致因識別

考慮城鄉(xiāng)結(jié)合部交通事故數(shù)據(jù)的完整性和影響因素的重要性，選取出行時間、道路特征、駕駛行為等因素作為城鄉(xiāng)結(jié)合部交通事故的顯著影響因素，見表4.

表4 交通事故主因素分類

城鄉(xiāng)結(jié)合部交通事故顯著影響因素指標的原始數(shù)據(jù)，見表5.

表5 交通事故原始數(shù)據(jù)

依據(jù)式(7)將表5中原始數(shù)據(jù)進行無量綱化，得到表6.

表6 原始數(shù)據(jù)均值化

依據(jù)式(10)計算出各因素的關(guān)聯(lián)系數(shù)，取分辨系數(shù)ξ為0.1，結(jié)果見表7.

表7 各致因因素的關(guān)聯(lián)系數(shù)

依據(jù)式(11)計算事故頻次分析中各致因因素的關(guān)聯(lián)度，見表8.

表8 事故頻次分析中各致因因素的關(guān)聯(lián)度

將關(guān)聯(lián)度大于0.5的致因因素作為事故的主要致因，城鄉(xiāng)結(jié)合部交通事故頻次分析的主要因素為：出行時間、駕駛員操作不當和駕駛員違反交規(guī).

利用國際道路評估組織的估算方法，將受傷人數(shù)視為事故嚴重程度的統(tǒng)計指標.按照灰色關(guān)聯(lián)度分析法計算流程，計算城鄉(xiāng)結(jié)合部交通事故嚴重程度分析中各的致因因素的關(guān)聯(lián)度，見表9.

表9 事故嚴重程度分析中各致因因素的關(guān)聯(lián)度

由表9可知：出行時間與發(fā)生嚴重事故的關(guān)聯(lián)度最高，道路特征為平直道、駕駛員操作不當、駕駛員無證駕駛這三個因素與嚴重事故的關(guān)聯(lián)度比較接近，關(guān)聯(lián)度相對較高.

5 結(jié) 論

1) 利用Apriori算法分析了城鄉(xiāng)結(jié)合部交通事故致因的關(guān)聯(lián)規(guī)則，明晰了交通事故致因之間的內(nèi)在關(guān)系，違反交規(guī)與發(fā)生碰撞行人事故具有較強的關(guān)聯(lián)性，操作不當與碰撞事故具有較強關(guān)聯(lián)性，交叉口與違反交規(guī)、碰撞事故、轎車這三種事故致因具有較強關(guān)聯(lián)性，貨車與操作不當、碰撞、平直道這三種事故致因具有較強關(guān)聯(lián)性.

2) 利用灰色關(guān)聯(lián)分析法確定了城鄉(xiāng)結(jié)合部事故致因因素的灰色關(guān)聯(lián)度，出行時間、駕駛員操作不當、駕駛員違反交規(guī)是影響城鄉(xiāng)結(jié)合部交通事故頻次的重要因素.出行時間、平直道、駕駛員操作不當是城鄉(xiāng)結(jié)合部交通事故嚴重程度的重要因素.駕駛員無證駕駛所造成的事故次數(shù)雖然較低，但是其嚴重程度較高；城鄉(xiāng)結(jié)合部平直道發(fā)生交通事故的頻次高，且較為嚴重.

后續(xù)研究可利用數(shù)據(jù)挖掘技術(shù)開展城鄉(xiāng)結(jié)合部交通事故分析與建模研究，分析相關(guān)因素對城鄉(xiāng)結(jié)合部交通事故頻次和嚴重程度的影響.