陳妤婕，吳愛華

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

0 引言

道路交通事故可表述為人、車、道路、環(huán)境等動靜態(tài)因素耦合失調(diào)而導(dǎo)致的人或物同時(shí)受到損失的過程[1]。影響交通事故的因素非常多，涉及到人、車、道路、環(huán)境等多個(gè)方面，這些因素使事故在發(fā)生時(shí)間、空間等方面呈現(xiàn)出偶然性。然而大量的事故研究證明，交通事故實(shí)際上是受其內(nèi)部規(guī)律所支配的，影響因素之間存在著聯(lián)系，決定著交通事故的發(fā)生和發(fā)展變化。

很多數(shù)據(jù)挖掘方法被用來分析不同因素對交通事故的影響。文獻(xiàn)[2]用泊松回歸模型分析了道路設(shè)計(jì)、交通量等因素對信號交叉口嚴(yán)重傷亡事故發(fā)生頻次的影響。文獻(xiàn)[3]運(yùn)用貝葉斯網(wǎng)絡(luò)對事故概率進(jìn)行定量計(jì)算，全面合理地解釋了事故發(fā)生的根本原因。文獻(xiàn)[4]將事故嚴(yán)重程度細(xì)分為八個(gè)等級分別建立神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明是否采用安全帶、是否酒駕和車輛用途等與事故嚴(yán)重程度直接相關(guān)。

由于大量影響因素的存在，交通事故表現(xiàn)出豐富的異構(gòu)性[5]，不同類型的交通事故的影響因素不同，如果在分析過程中不考慮這一點(diǎn)，一些導(dǎo)致交通事故發(fā)生的原因可能會被隱藏，聚類處理可以降低事故的異構(gòu)性。文獻(xiàn)[6]用K-modes聚類算法對道路類型、光照情況、時(shí)間等特征聚類分析后進(jìn)行致因分析，結(jié)果顯示總體數(shù)據(jù)集并不能體現(xiàn)單個(gè)類別的事故原因。文獻(xiàn)[7]用K-means方法來分析事故碰撞前后的模式特點(diǎn)。文獻(xiàn)[8]用潛類別分析對交通事故數(shù)據(jù)進(jìn)行聚類，作為致因分析的初步工作。

本文提出了一個(gè)基于潛類別分析和關(guān)聯(lián)規(guī)則挖掘的交通事故原因分析模型。在數(shù)據(jù)集中，存在一些出現(xiàn)次數(shù)較少但影響交通事故的嚴(yán)重程度的因素，而現(xiàn)有的關(guān)聯(lián)規(guī)則算法如Apriori[9]、FP-Growth[10]等受閾值設(shè)定的限制，往往會遺漏這些因素，因此本文在原有的關(guān)聯(lián)規(guī)則挖掘算法上增加了權(quán)重的設(shè)定，更有效地挖掘出影響交通事故嚴(yán)重程度的因素。

1 模型設(shè)計(jì)

本文的算法模型主要分為三個(gè)部分：特征選擇、聚類分析、關(guān)聯(lián)規(guī)則挖掘，總體流程如圖1所示。

（1）特征選擇。特征集中有一部分無效特征，需要先用合適的特征選擇方法剔除。本文先用卡方檢驗(yàn)和Boruta算法初步選擇，然后用遞歸特征消除（RFE）算法保留預(yù)測效果最好時(shí)的特征集。

（2）聚類分析。交通事故的異構(gòu)性是分析過程中的一個(gè)主要問題，用潛類別分析對數(shù)據(jù)集進(jìn)行聚類分析可以找出相同類型的交通事故，有效降低異構(gòu)性。

（3）關(guān)聯(lián)規(guī)則挖掘。本文對Apriori算法進(jìn)行改進(jìn)，每次掃描數(shù)據(jù)集生成頻繁項(xiàng)集時(shí)，用關(guān)聯(lián)規(guī)則挖掘算法找出每個(gè)類別中影響交通事故嚴(yán)重程度的關(guān)聯(lián)規(guī)則。

最后使用關(guān)聯(lián)規(guī)則對新數(shù)據(jù)集中的事故按嚴(yán)重程度進(jìn)行分類，比較Apriori算法和帶權(quán)重的Apriori算法的分類效果。

圖1 算法總體流程示意圖

2 潛類別分析

潛類別分析（Latent Class Analysis，LCA）是潛變量分析的一種，目的在于利用潛類別解釋多個(gè)外顯分類變量之間復(fù)雜的關(guān)聯(lián)，并使各潛類別內(nèi)部的外顯變量之間滿足局部獨(dú)立性[11]。

下面給出潛類別模型的形式化定義：

（1）數(shù)據(jù)集中共有N條記錄，每條記錄都是一個(gè)觀察值 i，i=1…N。

（2）每個(gè)特征都是離散化的，又稱為多分類變量或外顯變量，每個(gè)多分類變量j（j=1…J）有Kj個(gè)取值。

例如，性別這個(gè)多分類變量，有男性或女性兩種取值，此時(shí) Kj的值為2。

（3）Yijk=1表示觀察值i（i=1…N）在第j（j=1…J）個(gè)變量的第k（k=1…Kj）個(gè)取值有應(yīng)答；否則，Yijk=0。

（4）潛類別分析通過擬合運(yùn)算把數(shù)據(jù)集聚類成R個(gè)潛類，πijk表示在第r（r=1…R）個(gè)潛類中，第j個(gè)外顯變量的第k個(gè)取值的條件概率。

（5）pr表示每個(gè)類別在數(shù)據(jù)集中的概率。

在潛類別分析模型中，上面定義的符號滿足下列條件：

在第r個(gè)潛類中，第j個(gè)外顯變量的每個(gè)取值的條件概率之和為1；每個(gè)潛類別在數(shù)據(jù)集中的概率之和為1：

根據(jù)局部獨(dú)立性假設(shè)，獨(dú)立事件聯(lián)合發(fā)生的概率等于單獨(dú)發(fā)生概率之積，在每個(gè)類別r內(nèi)部，多個(gè)變量的聯(lián)合概率為：

其中，Yi是觀察值i各個(gè)變量的取值集合，表示一起具體的交通事故。

Yi在整個(gè)數(shù)據(jù)集中出現(xiàn)的概率如下，采用貝葉斯后驗(yàn)概率將個(gè)體歸入不同的潛類別。

3 關(guān)聯(lián)規(guī)則挖掘算法改進(jìn)

3.1 帶權(quán)重的Apriori算法

關(guān)聯(lián)規(guī)則的形式化描述：設(shè)D是一個(gè)包含n個(gè)事務(wù)的數(shù)據(jù)庫，每個(gè)事務(wù)T∈D。令I(lǐng)={I1,I2,…,Im}是項(xiàng)的集合，每個(gè)事務(wù)T都是項(xiàng)的集合。關(guān)聯(lián)規(guī)則是形如A→B的蘊(yùn)涵表達(dá)式,其中A?I，B?I且A∩B=?。關(guān)聯(lián)規(guī)則的強(qiáng)度用支持度（support）和置信度（confi?dence）來度量[10]。支持度確定規(guī)則在數(shù)據(jù)集中的頻繁程度，而置信度確定B在包含于A的事務(wù)中的頻繁程度。

在現(xiàn)有關(guān)聯(lián)規(guī)則算法中，k-項(xiàng)集支持度的計(jì)算往往只考慮它在數(shù)據(jù)庫中出現(xiàn)的頻率，而沒有考慮不同的項(xiàng)集的重要程度不同。例如，某商店每月售出3000條毛巾，300臺吹風(fēng)機(jī)，吹風(fēng)機(jī)由于達(dá)不到設(shè)定的最小支持度而被過濾掉，但吹風(fēng)機(jī)的銷售利潤比毛巾要高很多，可認(rèn)為吹風(fēng)機(jī)比毛巾更重要。

為了在計(jì)算支持度時(shí)考慮項(xiàng)集的重要程度，引入下面的公式，其中，P（X）表示項(xiàng)集X出現(xiàn)的頻繁程度，W（X）表示項(xiàng)集X的權(quán)重：

β=1時(shí)，P（X）和 W（X）對支持度的計(jì)算具有相同的影響；β＞1時(shí)，W（X）具有更大影響；β＜1時(shí)，P（X）具有更大影響。

用Logistic回歸模型計(jì)算權(quán)重W，Logistic回歸模型具有計(jì)算代價(jià)不高，易于解釋和理解的優(yōu)點(diǎn)。Logis?tic回歸模型進(jìn)行訓(xùn)練后每個(gè)特征的系數(shù)即為權(quán)重W，項(xiàng)集 X（X={Ix1,Ix2,…,Ixm}）的權(quán)重計(jì)算：

帶權(quán)重的Apriori算法偽代碼：

（1）頻繁項(xiàng)集的生成：

（2）對每一條頻繁項(xiàng)集，生成關(guān)聯(lián)規(guī)則：{頻繁項(xiàng)集X}→嚴(yán)重程度

3.2 用關(guān)聯(lián)規(guī)則分類

T為一起交通事故，K為頻繁項(xiàng)集的最大長度。

關(guān)聯(lián)規(guī)則分類偽代碼：

4 實(shí)驗(yàn)分析

實(shí)驗(yàn)數(shù)據(jù)來源于美國國家公路交通安全管理局（NHTSA），選取2015年美國境內(nèi)的共51686條交通事故數(shù)據(jù)，交通事故的嚴(yán)重程度根據(jù)有無人員受傷分為嚴(yán)重和不嚴(yán)重。算法實(shí)現(xiàn)使用了Python和R語言。

在特征選擇階段，最終RFE的實(shí)驗(yàn)結(jié)果如圖2所示，在特征數(shù)量為19時(shí)，算法效果最好。

圖2 不同特征數(shù)量下RFE算法的效果

保留的特征中，與人相關(guān)的是：SEX（性別）、AGE（年齡）、PCRASH1（事故前駕駛員行為）、REST_USE（防護(hù)設(shè)備影響）、PERALCH（酒精影響）；與車相關(guān)的是：RELJCT2（與交叉路口的關(guān)系）、DEFORMED（汽車損傷程度）、ROLLOVER（是否翻車）、ACC_TYPE（碰撞類型）、PCRASH2（導(dǎo)致事故發(fā)生事件）、SPEEDREL（是否超速）；與環(huán)境相關(guān)的是：HOUR（時(shí)間）、MONTH（季節(jié)）、VTRAFCON（道路控制標(biāo)志）、LGTCON（光線情況）、WEATHR（天氣）；與道路相關(guān)是：VSURCOND（路面情況）、VTRAFWAY（道路分成幾路）。

在潛類別分析階段，從潛類別數(shù)目為1的初始模型開始，擬合了15個(gè)模型。衡量模型的好壞用到了3種信息準(zhǔn)則：AIC、BIC、CAIC。隨著類別數(shù)目的增加，雖然統(tǒng)計(jì)擬合上有了一定的提升，但是聚類結(jié)構(gòu)會更加復(fù)雜，因此，作為統(tǒng)計(jì)擬合和聚類結(jié)構(gòu)復(fù)雜度之間的折中，選擇潛類別數(shù)目為7的模型。

圖3是每個(gè)類別中各個(gè)多分類變量的分布情況，這里只顯示了部分特征。

圖3 每個(gè)類別中各個(gè)多分類變量的分布情況

每個(gè)類別的具體描述如下：

類別1（C1）：有85.77%的交通事故都發(fā)生在交叉路口，且碰撞類型為雙向碰撞，達(dá)到了46.93%，相比其他類別，該類中由于其他車輛駛?cè)氲缆芬l(fā)事故的比率是最高的，達(dá)到了30.92%，有75.32%的事故發(fā)生在沒有道路控制標(biāo)志的情況下，道路劃分最高的是雙向無分離道路（56.46%）。

類別 2（C2）：多數(shù)事故都不發(fā)生在交叉路口（86.27%），相比其他類別，翻車率是最高的，達(dá)到了33.66%，超速率也是最高的，達(dá)到了37.92%，73.29%的車的碰撞類型都是單輛機(jī)動車從道路邊上駛離，事故發(fā)生的原因中車輛失控占比最高（48.35%），有55.86%道路為濕，絕大部分事故（92.01%）發(fā)生時(shí)沒有道路控制標(biāo)志，多數(shù)事故發(fā)生在雨天（41.5%）。

類別 3（C3）：多數(shù)事故（68.67%）發(fā)生在晚上（18-23）點(diǎn)，但有74.94%的事故發(fā)生在黑暗有人造光的情況下，發(fā)生在交叉口和其相關(guān)位置的比率都較高，達(dá)到了47.64%和39.84%，58.13%的事故發(fā)生在有交通信號燈的情況下，發(fā)生在秋冬季節(jié)的比率相對其他類別是最高的，達(dá)到了68.88%。

類別4（C4）：有51.75%的事故中車輛都受到了一定程度的損傷，事故發(fā)生的原因中占比最高的是機(jī)動車與行人、物體等相撞（48.35%），事故發(fā)生前，較多（45.56%）駕駛員在變道，大部分事故（70.62%）發(fā)生時(shí)沒有道路控制標(biāo)志，有36.19%的駕駛員集中在45-60歲。

類別5（C5）：多數(shù)事故都發(fā)生在晚上和凌晨，達(dá)到50.84%和39.87%，大部分事故都不發(fā)生在交叉路口（88.54%），事故前，69.13%的駕駛員都在直行，大部分事故（92.74%）發(fā)生時(shí)沒有道路控制標(biāo)志，受酒精影響的事故比其他類別多，達(dá)到了36.52%，63.18%的事故發(fā)生在黑暗無人造光的情況下，多數(shù)事故發(fā)生在雨天（53.18%）。

類別6（C6）：有93.02%的事故都發(fā)生在交叉路口相關(guān)的路段上，超過半數(shù)（56.35%）的事故中車輛受到一定程度的損傷，事故發(fā)生前較多駕駛員在轉(zhuǎn)彎（57.66%），60歲以上的駕駛員在該類中的占比達(dá)到了30.51%，較其他類別高。

類別7（C7）：超過半數(shù)（55.16%）的事故中車輛受到了一定程度的損傷，絕大多數(shù)事故的碰撞類型為雙車追尾（94.98%），事故發(fā)生前，67.25%的駕駛員都在直行，事故原因基本上是由路上的其他車輛造成的（96.97%），相比其他類別，有29.46%的事故駕駛員粗心駕駛，較其他類別高。

對每個(gè)類別進(jìn)行關(guān)聯(lián)規(guī)則挖掘，圖4和圖5都選取了C1、C2中置信度最高的5條規(guī)則，可以看出，Apriori算法和帶權(quán)重的Apriori算法挖掘出的關(guān)聯(lián)規(guī)則有所不同，而用帶權(quán)重的Apriori算法挖掘的關(guān)聯(lián)規(guī)則更貼近每個(gè)類別的特點(diǎn)，說明帶權(quán)重的關(guān)聯(lián)規(guī)則算法能更有效地挖掘出影響交通事故嚴(yán)重程度的因素。這里公式（7）中的 β取1，認(rèn)為項(xiàng)集在數(shù)據(jù)庫中出現(xiàn)的頻率和它的權(quán)重對支持度具有相同的影響。

圖4 Apriori算法挖掘出的關(guān)聯(lián)規(guī)則

圖5 帶權(quán)重的Apriori算法挖掘出的關(guān)聯(lián)規(guī)則

利用挖掘出的關(guān)聯(lián)規(guī)則對美國境內(nèi)2012-2014年的各10000條交通事故進(jìn)行分類。圖6為分類的結(jié)果，從圖中可以看出，用帶權(quán)重的Apriori算法進(jìn)行分類的準(zhǔn)確率都要高于Apriori算法，進(jìn)一步說明帶權(quán)重的關(guān)聯(lián)規(guī)則算法能更有效。

圖6 2012-2014年不同關(guān)聯(lián)規(guī)則算法下的分類效果

5 結(jié)語

本文提出了一個(gè)基于潛類別分析和關(guān)聯(lián)規(guī)則挖掘的交通事故原因分析模型，先后用聚類分析和帶權(quán)重的關(guān)聯(lián)規(guī)則算法，分析了各個(gè)事故類型的特點(diǎn)，有效克服了影響因素被過濾的問題，并證明了本文算法要優(yōu)于Apriori算法。然而，本文在關(guān)聯(lián)規(guī)則算法權(quán)重和支持度的比較上偏經(jīng)驗(yàn)化，后續(xù)的研究中可做進(jìn)一步研究。

[1]裴玉龍，蔣賢才，程國柱等.道路交通事故分析與再現(xiàn)技術(shù)[M].北京:人民交通出版社，2010.

[2]Wong S C,Sze N N,Li Y C.Contributory Factors to Traffic Crashes at Signalized in Hongkong[J].Accident Analysis and Prevention,2007,39（6）:1107-1113.

[3]龍科軍，劉勇.基于貝葉斯網(wǎng)絡(luò)的交通事故機(jī)理分析[J].安全與環(huán)境學(xué)報(bào),2010,10（1）:150-153.

[4]Delen D,Sharda R,Bessonov M.Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Networks[J].Accident Analysis&Prevention，2006,38（3）:434-444.

[5]Savolainen P,Mannering F,Lord D,Quddus M.The Statistical Analysis of Highway Crash-Injury Severities:a Review and Assessment of Methodological Alternatives[J].Accid Anal Prev.2011,43：1666-1676.

[6]S Kumar,D Toshniwal.A Data Mining Framework to Analyze Road Accident Data[J].Journal of Big Data,2015,2（1）:26.

[7]R Mauro,MD Luca,G Dell'Acqua.Using a K-Means Clustering Algorithm to Examine Patterns of Vehicle Crashes in Before-After Analysis[J].Modern Applied Science,2013,7（10）:11-19.

[8]de Ona J,Lopez G,Mujalli R,Calvo FJ.Analysis of Traffic Accidents on Rural Highways Using Latent Class Clustering and Bayesian Networks.Accid Anal Prev，2013，51:1-10.

[9]Agrawal R,Im ielinski T,Swami A.Mining Association Rules between Sets of Items in Large Databases[J].Acm Sigmod Record,1993,22（2）:207-216.

[10]J Han,J Pei,Y Yin.Mining Frequent Patterns Without Candidate Generation[J].Acm Sigmod Record,1999,29（2）:1-12.

[11]邱皓政.潛在類別模型的原理與技術(shù)[M].北京:教育科學(xué)出版社，2008.