陳彬 于鵬程 張奇

摘 要：道路交通事故總量居高不下，嚴(yán)重威脅百姓的生命財(cái)產(chǎn)安全。本文通過Apriori算法對(duì)高速公路和城市道路兩種典型交通環(huán)境下的交通事故致因進(jìn)行關(guān)聯(lián)規(guī)則挖掘，用以發(fā)現(xiàn)事故致因間的關(guān)聯(lián)關(guān)系，從而可對(duì)道路交通事故防控起到一定的指導(dǎo)作用。

關(guān)鍵詞：事故致因；關(guān)聯(lián)規(guī)則；Apriori算法

中央級(jí)公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目：基于道路交通事故再現(xiàn)的風(fēng)險(xiǎn)意識(shí)評(píng)估與提升技術(shù)研究（111041000000180001201101）

根據(jù)公安部交通管理局發(fā)布數(shù)據(jù)顯示，自2018年全國(guó)接報(bào)道路交通事故起數(shù)同比上升21.8%后，基本維持穩(wěn)態(tài)波動(dòng)。道路交通事故的發(fā)生是由涉及到人員因素、車輛因素和交通環(huán)境因素等多方面客觀和主觀因素導(dǎo)致，傳統(tǒng)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(shí)找到事故發(fā)生的客觀規(guī)律，需要通過關(guān)聯(lián)規(guī)則分析對(duì)事故發(fā)生的影響因素進(jìn)行耦合分析[1]，尋找其潛在的關(guān)聯(lián)規(guī)則，探尋事故發(fā)生的內(nèi)在規(guī)律，從而對(duì)實(shí)現(xiàn)事故“減量控大”[2]，指導(dǎo)各地制定有針對(duì)性措施提供有益借鑒。

1關(guān)聯(lián)規(guī)則

挖掘關(guān)聯(lián)規(guī)則[3]就是尋找多要素間的頻繁項(xiàng)集合。為了量化表現(xiàn)項(xiàng)集間的關(guān)系，需要使用到兩個(gè)度量值：支持度（support）和可信度（confidence）。

其中，Support（X）表示X項(xiàng)目的支持度，number（X）表示X項(xiàng)集的頻數(shù)，number（N）表示數(shù)據(jù)集總項(xiàng)集的頻數(shù)。公式表示為該項(xiàng)集記錄占數(shù)據(jù)集總記錄的比例。而“最小支持度”則是根據(jù)經(jīng)驗(yàn)預(yù)設(shè)定的一個(gè)閾值。

此外，針對(duì)具體問題具體分析，有學(xué)者在選取最小支持度和最小可信度時(shí)，不采用設(shè)置閾值做對(duì)比的方法，而是直接將計(jì)算結(jié)果的前百分之N（N一般選用20）作為選取結(jié)果。尋找頻繁項(xiàng)集，就是篩選出達(dá)到已設(shè)定的最小支持度的項(xiàng)集。找出頻繁項(xiàng)集，是挖掘關(guān)聯(lián)規(guī)則的第一步，也是最重要的一步，然后再?gòu)念l繁項(xiàng)集中，計(jì)算項(xiàng)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(qiáng)關(guān)聯(lián)規(guī)則，即支持度與可信度同時(shí)滿足最小支持度與最小可信度的閾值設(shè)定，該關(guān)聯(lián)規(guī)則就是強(qiáng)關(guān)聯(lián)規(guī)則。

2 Apriori算法

Apriori算法[4]是通過遍歷輸入數(shù)據(jù)集，從單元素開始計(jì)算支持度，篩選出滿足最小支持度的頻繁一項(xiàng)集，再?gòu)倪@些頻繁一項(xiàng)集中連接各個(gè)元素生成兩個(gè)元素的候選二項(xiàng)集，計(jì)算支持度，篩選出頻繁二項(xiàng)集，以此類推，直到不能生成新的頻繁項(xiàng)集為止。自此，得到所有頻繁項(xiàng)集，從頻繁二項(xiàng)集開始計(jì)算可信度，每個(gè)頻繁項(xiàng)集間的所有元素都可互相計(jì)算可信度數(shù)值。由于所有頻繁項(xiàng)集都是滿足最小支持度閾值的，所以此時(shí)僅考慮并篩選出滿足最小可信度閾值的關(guān)聯(lián)關(guān)系，即為強(qiáng)關(guān)聯(lián)規(guī)則。

3實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)和關(guān)聯(lián)屬性

實(shí)驗(yàn)分析使用道路交通事故抽樣數(shù)據(jù)，經(jīng)數(shù)據(jù)處理后，發(fā)現(xiàn)有16項(xiàng)事故影響屬性可能與事故發(fā)生存在強(qiáng)關(guān)聯(lián)關(guān)系，如表1所示。

3.2 實(shí)驗(yàn)條件和實(shí)驗(yàn)結(jié)果

本文選取了高速公路和城市道路[5]兩種交通場(chǎng)景進(jìn)行關(guān)聯(lián)性分析，為了保證實(shí)驗(yàn)結(jié)果不遺漏有效信息，實(shí)驗(yàn)設(shè)置上相對(duì)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?yàn)椴煌瑘?chǎng)景的數(shù)據(jù)采樣量不同，所以參數(shù)設(shè)置上也有所差異。

3.2.1 高速公路場(chǎng)景

高速公路場(chǎng)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(chǎng)景下數(shù)據(jù)采樣量總量。取最小可信度min_Conf = 0.05。通過python編程，經(jīng)Apriori算法計(jì)算，結(jié)果按照可信度由高到底，取前10條違法行為和事故形態(tài)間的強(qiáng)關(guān)聯(lián)規(guī)則，如表2所示。

3.2.2 城市道路場(chǎng)景

城市道路場(chǎng)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(jīng)Apriori算法計(jì)算，結(jié)果按照可信度由高到底，取前10條違法行為和事故形態(tài)間的強(qiáng)關(guān)聯(lián)規(guī)則，如表3所示。

3.3 實(shí)驗(yàn)分析和總結(jié)

拋開數(shù)據(jù)樣本本身的局限性來說，由兩組實(shí)驗(yàn)的結(jié)果可見，高速公路和城市道路場(chǎng)景下的強(qiáng)關(guān)聯(lián)規(guī)則既有相同性，也有差異性。

相同性在于在發(fā)生事故的前提下，發(fā)生“碰撞運(yùn)動(dòng)車輛”的事故形態(tài)的強(qiáng)度都很高，最高由“違法變更車道”的行為發(fā)生時(shí)，會(huì)有約90%的概率導(dǎo)致“碰撞運(yùn)動(dòng)車輛”的事故結(jié)果；最低由“違法上道路行駛”的行為發(fā)生，會(huì)有約11%的概率導(dǎo)致“碰撞運(yùn)動(dòng)車輛”的事故結(jié)果，可見在這兩種場(chǎng)景下，違法行為都很容易導(dǎo)致車輛間的碰撞事故。

差異性主要體現(xiàn)在以下幾個(gè)方面：

（1）高速公路場(chǎng)景下的強(qiáng)關(guān)聯(lián)規(guī)則在強(qiáng)度上明顯弱于城市道路場(chǎng)景。在城市道路場(chǎng)景中，前10項(xiàng)關(guān)聯(lián)規(guī)則中最高關(guān)聯(lián)強(qiáng)度可達(dá)約90%，最低也在57%左右，而在高速公路場(chǎng)景，最高約60%，最低則只有11%左右；

（2）不同場(chǎng)景下的強(qiáng)關(guān)聯(lián)規(guī)則不同。在高速公路場(chǎng)景下，強(qiáng)關(guān)聯(lián)規(guī)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(chǎng)景，強(qiáng)關(guān)聯(lián)規(guī)則的違法行為分布均勻；在城市道路場(chǎng)景下，強(qiáng)關(guān)聯(lián)規(guī)則的事故形態(tài)主要集中在“碰撞運(yùn)動(dòng)車輛”，而在高速公路場(chǎng)景，主要集中在“追尾碰撞”和“碰撞運(yùn)動(dòng)車輛”。

（3）不同場(chǎng)景下相同違法行為導(dǎo)致相同事故形態(tài)的關(guān)聯(lián)度差別大?！斑`法上道路行駛→碰撞運(yùn)動(dòng)車輛”的關(guān)聯(lián)，在高速公路場(chǎng)景的關(guān)聯(lián)度只有11%左右，而在城市道路場(chǎng)景約58%。

（4）不同場(chǎng)景下相同違法行為導(dǎo)致不同事故形態(tài)比例差別也很大。在城市道路場(chǎng)景中，“違法上道路行駛”只與“碰撞運(yùn)動(dòng)車輛”具有強(qiáng)關(guān)聯(lián)，而在高速公路場(chǎng)景中，其強(qiáng)關(guān)聯(lián)要素還包括“刮撞行人”和“追尾碰撞”。

4結(jié)束語

使用Apriori算法對(duì)事故數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘分析，可以準(zhǔn)確找到各屬性間的關(guān)聯(lián)關(guān)系，對(duì)事故防控可以一定的指導(dǎo)作用。下步除了將關(guān)聯(lián)規(guī)則分析由違法行為和事故形態(tài)向多維度挖掘外，還將進(jìn)一步拓展交通場(chǎng)景，最終形成事故致因的關(guān)聯(lián)規(guī)則庫(kù)，為道路交通事故“減量控大”提供支撐。

參考文獻(xiàn)

[1]馬庚華，鄭長(zhǎng)江，鄧評(píng)心，李銳.關(guān)聯(lián)規(guī)則挖掘在道路交通事故分析中的應(yīng)用[J].西華大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，38（03）：93-97+112.

[2]交宣.公安部交管局：深入推進(jìn)道路交通事故預(yù)防“減量控大”工作 全力確保道路交通安全形勢(shì)穩(wěn)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(guān)聯(lián)規(guī)則挖掘研究[J].計(jì)算機(jī)與現(xiàn)代化，2012（08）：206-208+217.

[4]李英，湯庸.基于關(guān)聯(lián)規(guī)則與相似度的數(shù)據(jù)挖掘算法研究[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，53（05）：121-127.

[5]城市道路交通事故特點(diǎn)分析[J].汽車與安全，2019（07）：13-14+2.