王寧 昌錫銘 楊欣 吳建軍

摘要：為了預(yù)防鐵路事故的發(fā)生，需要對(duì)造成鐵路事故的風(fēng)險(xiǎn)源因素進(jìn)行探索和分析，揭示鐵路事故的發(fā)生規(guī)律。提出利用改進(jìn)的Apriori算法，對(duì)鐵路事故與風(fēng)險(xiǎn)源進(jìn)行數(shù)據(jù)挖掘分析?？紤]鐵路事故傷亡的嚴(yán)重程度，提出新的支持度、置信度指標(biāo)計(jì)算方法，對(duì)鐵路事故因素進(jìn)行加權(quán)量化。同時(shí)添加時(shí)間約束，探索不同時(shí)間的鐵路事故風(fēng)險(xiǎn)源關(guān)聯(lián)規(guī)則。利用英國(guó)鐵路事故數(shù)據(jù)，挖掘鐵路事故與風(fēng)險(xiǎn)源之間的關(guān)聯(lián)規(guī)則，針對(duì)實(shí)際案例制定切實(shí)有效的預(yù)防措施。結(jié)果表明，利用改進(jìn)的Apriori算法能夠得到更多的鐵路事故與風(fēng)險(xiǎn)源之間的關(guān)聯(lián)規(guī)則，對(duì)于預(yù)防鐵路事故的發(fā)生具有重要的作用。

關(guān)鍵詞：風(fēng)險(xiǎn)源;鐵路事故;關(guān)聯(lián)規(guī)則;Apriori算法;數(shù)據(jù)挖掘分析

中圖分類號(hào)：U298.5?? 文獻(xiàn)標(biāo)志碼：A?? 文章編號(hào)：1002-4026（2023）05-0067-08

Association analysis method for railway accident hazards based on the improved Apriori algorithm

WANG Ning，CHANG Ximing*，YANG Xin，WU Jianjun

（State Key Laboratory of Rail Traffic Control and Safety， Beijing Jiaotong University， Beijing 100044）

Abstract∶The causes of railway accidents are difficult to determine as several hazards can lead to accidents. To prevent the occurrence of railway accidents， the hazards responsible for railway accidents should be analyzed， and the occurrence rules of previous railway accidents should be revealed. In this study，data mining analysis on railway accidents and hazards was conducted using the improved Apriori algorithm.Considering the severity of accident casualties， a new calculation method for support and confidence indicators was proposed to weigh and quantify railway accident factors.Furthermore， time constraints were added to explore association rules of hazards with corresponding railway accidents at different times. Using the actual UK railway accident data， the association rules between railway accidents and hazards were discovered， and effective preventive measures were formulated for actual cases. Results show that the improved Apriori algorithm can explore more association rules between railway accidents and hazards， which can play an important role in preventing railway accidents.

Key words∶hazards;railway accidents;association rule;Apriori algorithm; data mining analysis

隨著鐵路運(yùn)營(yíng)里程和鐵路運(yùn)輸量的增加，與鐵路有關(guān)的事故屢屢發(fā)生。例如，2011 年7月23日，D301次列車與D3115次列車追尾事故，造成40人死亡、172人受傷；2020年3月30日，T179次列車撞上塌方體，導(dǎo)致空調(diào)發(fā)電車起火，部分車廂脫軌傾覆事故，導(dǎo)致128人傷亡；2021年6月4日，K596次列車與作業(yè)人員相撞，造成9人死亡[1]。鐵路運(yùn)輸安全風(fēng)險(xiǎn)時(shí)刻在威脅著鐵路運(yùn)輸?shù)慕】蛋l(fā)展和人員的生命安全，造成事故發(fā)生的風(fēng)險(xiǎn)源因素十分復(fù)雜。因此，有必要對(duì)鐵路事故中的風(fēng)險(xiǎn)源因素進(jìn)行分析，挖掘風(fēng)險(xiǎn)源與事故之間隱含的關(guān)聯(lián)關(guān)系，以便認(rèn)識(shí)鐵路事故發(fā)生的規(guī)律，進(jìn)一步保障鐵路運(yùn)輸安全。

目前廣泛使用的關(guān)聯(lián)規(guī)則算法為Apriori關(guān)聯(lián)規(guī)則算法，是典型的數(shù)據(jù)挖掘算法。利用關(guān)聯(lián)規(guī)則算法對(duì)各領(lǐng)域的分析研究已相對(duì)成熟。在醫(yī)學(xué)數(shù)據(jù)挖掘領(lǐng)域，張萌等[2]使用Apriori算法對(duì)病人的就診資料進(jìn)行了挖掘，得到了病人的病癥和疾病之間的關(guān)聯(lián)規(guī)則。降惠等[3]利用Apriori關(guān)聯(lián)規(guī)則算法探討了長(zhǎng)治市手足口病與氣象因素的關(guān)聯(lián)關(guān)系。陳治等[4]利用Apriori關(guān)聯(lián)規(guī)則算法對(duì)宮頸癌樣本數(shù)據(jù)集進(jìn)行了分析，得到了不同因素對(duì)宮頸癌的影響情況。劉媛等[5]利用了關(guān)聯(lián)規(guī)則和網(wǎng)絡(luò)藥理學(xué)方法對(duì)治療消化性潰瘍的用藥規(guī)律進(jìn)行了探索，對(duì)其作用機(jī)制有了更深一步的了解和認(rèn)識(shí)。在工業(yè)智能化生產(chǎn)領(lǐng)域，何林等[6]利用k均值聚類算法（k-means）和改進(jìn)的Apriori關(guān)聯(lián)規(guī)則算法對(duì)工業(yè)大數(shù)據(jù)進(jìn)行挖掘分析，得到了有利于企業(yè)生產(chǎn)調(diào)整智能化的關(guān)聯(lián)規(guī)則并最大化利用了資源。在海洋災(zāi)害預(yù)警數(shù)據(jù)挖掘方面，程巖等[7]采用改進(jìn)的Apriori模型形成了海洋預(yù)警決策的支持庫(kù)，預(yù)測(cè)風(fēng)暴潮水發(fā)生的可能性并預(yù)警海洋災(zāi)害。zaydln等[8]使用貝葉斯網(wǎng)絡(luò)和關(guān)聯(lián)規(guī)則挖掘方法分析了全長(zhǎng)12 m及以上的土耳其漁船未報(bào)告的職業(yè)事故數(shù)據(jù)。Lan等[9]使用關(guān)聯(lián)規(guī)則技術(shù)確定了與全損海事事故的發(fā)生和嚴(yán)重程度相關(guān)的模式，了解了全損事故的特點(diǎn)，制定針對(duì)性的預(yù)防措施。

在交通領(lǐng)域，劉文雅等[10]建立了考慮故障關(guān)聯(lián)的改進(jìn)的Apriori算法，得到的關(guān)聯(lián)規(guī)則有助于地鐵故障的影響分析。許未等[11]應(yīng)用傳統(tǒng)的Apriori算法，構(gòu)建了鐵路事故致因網(wǎng)絡(luò)，探索了鐵路事故致因因素的內(nèi)在聯(lián)系，這些研究在使用Apriori算法進(jìn)行數(shù)據(jù)挖掘的過(guò)程中未將事故后果的嚴(yán)重程度進(jìn)行考慮。因此在鐵路事故預(yù)防領(lǐng)域相對(duì)應(yīng)的研究仍存在不足之處。與鐵路事故發(fā)生有關(guān)的風(fēng)險(xiǎn)源數(shù)據(jù)往往是大量的，利用改進(jìn)的Apriori算法挖掘風(fēng)險(xiǎn)源因素與事故因素之間的關(guān)聯(lián)關(guān)系，可以獲得事故中的有用信息。本文提出了考慮事故危害加權(quán)的關(guān)聯(lián)規(guī)則指標(biāo)進(jìn)行鐵路事故風(fēng)險(xiǎn)源和事故的關(guān)聯(lián)性分析，并在時(shí)間上進(jìn)行約束，以期挖掘更多隱含鐵路事故的關(guān)聯(lián)規(guī)則，為鐵路安全管理提供更加智能化與精細(xì)化的管理建議，預(yù)防鐵路事故的發(fā)生。

1 事故風(fēng)險(xiǎn)源關(guān)聯(lián)分析方法

1.1 傳統(tǒng)的關(guān)聯(lián)規(guī)則

當(dāng)前各學(xué)者對(duì)于結(jié)構(gòu)化的數(shù)據(jù)多有研究，提出卷積神經(jīng)網(wǎng)絡(luò)的二分類結(jié)構(gòu)化非平衡數(shù)據(jù)分類算法、敏感屬性識(shí)別與分級(jí)算法等[12-13]，探討結(jié)構(gòu)化數(shù)據(jù)的有效信息。但是對(duì)于非結(jié)構(gòu)化數(shù)據(jù)，如鐵路事故數(shù)據(jù)報(bào)告的研究并未深入。而Apriori算法作為經(jīng)典的頻繁項(xiàng)集挖掘算法，可以針對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行挖掘，從數(shù)量龐大的非結(jié)構(gòu)化鐵路事故數(shù)據(jù)中挖掘出頻繁出現(xiàn)的風(fēng)險(xiǎn)源與事故的集合，并將挖掘到的隱含鐵路事故的信息進(jìn)行直觀呈現(xiàn)。根據(jù)挖掘到的規(guī)則，可以關(guān)注到不同風(fēng)險(xiǎn)源與事故之間的關(guān)聯(lián)關(guān)系，針對(duì)風(fēng)險(xiǎn)源關(guān)聯(lián)規(guī)則進(jìn)行防控，從而對(duì)鐵路系統(tǒng)進(jìn)行有效的安全管理。

在鐵路事故數(shù)據(jù)集合中，將鐵路事故的類型與造成鐵路事故發(fā)生的事故風(fēng)險(xiǎn)源記作一個(gè)事務(wù)集合H，H={H1，H2，H3，…，Hn}，H中包含n個(gè)項(xiàng)，即所有風(fēng)險(xiǎn)源與鐵路事故的數(shù)量總和。M、N均表示為非空項(xiàng)集，M?H，N?H。如果M中包含k個(gè)項(xiàng)，則M為k項(xiàng)集。記不同事務(wù)之間的關(guān)聯(lián)規(guī)則為M?N，即表示項(xiàng)集M和項(xiàng)集N間的關(guān)聯(lián)關(guān)系，此時(shí)M∩N=??。

在關(guān)聯(lián)規(guī)則挖掘中，常用支持度、置信度兩個(gè)指標(biāo)來(lái)對(duì)關(guān)聯(lián)規(guī)則進(jìn)行挖掘與衡量，分別對(duì)這兩個(gè)指標(biāo)進(jìn)行定義。

（1）支持度指標(biāo)

關(guān)聯(lián)規(guī)則M?N的支持度表示的是M、N項(xiàng)集同時(shí)出現(xiàn)的概率，如式（1）所示：

式中，number（M，N）代表項(xiàng)集M、N同時(shí)出現(xiàn)的事務(wù)數(shù)量；number（A）代表事務(wù)數(shù)據(jù)庫(kù)中所有事務(wù)的數(shù)量。

（2）置信度指標(biāo)

關(guān)聯(lián)規(guī)則M?N的置信度表示的是一個(gè)項(xiàng)集M出現(xiàn)以后，另一個(gè)項(xiàng)集N出現(xiàn)的概率，如式（2）所示：

式中，number（M）代表項(xiàng)集M出現(xiàn)的事務(wù)數(shù)量。

1.2 基于改進(jìn)Apriori算法的關(guān)聯(lián)規(guī)則

傳統(tǒng)的關(guān)聯(lián)規(guī)則在進(jìn)行數(shù)據(jù)挖掘時(shí)，將事務(wù)中的項(xiàng)均視為同等重要。然而在鐵路事故當(dāng)中，不同的事故與風(fēng)險(xiǎn)源所造成的危害是不同的，利用傳統(tǒng)的關(guān)聯(lián)規(guī)則將風(fēng)險(xiǎn)源與事故數(shù)據(jù)一起進(jìn)行數(shù)據(jù)挖掘是不嚴(yán)謹(jǐn)?shù)?。因此本研究提出了改進(jìn)的支持度、置信度指標(biāo)，采用加權(quán)的關(guān)聯(lián)規(guī)則對(duì)鐵路交通事故數(shù)據(jù)進(jìn)行分析。對(duì)鐵路事故進(jìn)行加權(quán)，鐵路事故加權(quán)指標(biāo)的設(shè)定通過(guò)造成的鐵路事故后果來(lái)進(jìn)行設(shè)定。鐵路事故后果通過(guò)事故造成的人員傷亡嚴(yán)重程度來(lái)衡量，傷亡嚴(yán)重程度通過(guò)表1所示的死亡和加權(quán)傷害來(lái)量化。

改進(jìn)的支持度指標(biāo)Imp-Sup（M?N）見(jiàn)式（3）：

改進(jìn)的支持度指標(biāo)表示M、N項(xiàng)集同時(shí)出現(xiàn)的概率。當(dāng)項(xiàng)集M或項(xiàng)集N中出現(xiàn)鐵路事故信息時(shí)對(duì)其進(jìn)行加權(quán)計(jì)算，未出現(xiàn)鐵路事故信息時(shí)保持原指標(biāo)結(jié)果。式中，ω（M）為M項(xiàng)集的加權(quán)，ω（M，N）為ω（M）與ω（N）中權(quán)值較大者，B表示鐵路事故數(shù)據(jù)。

置信度指標(biāo)Imp-Conf（M?N）見(jiàn)式（4）：

改進(jìn)的置信度指標(biāo)表示項(xiàng)集M出現(xiàn)之后，另一個(gè)項(xiàng)集N出現(xiàn)的概率。當(dāng)項(xiàng)集M或項(xiàng)集N中出現(xiàn)鐵路事故信息時(shí)對(duì)其進(jìn)行加權(quán)計(jì)算，未出現(xiàn)鐵路事故信息時(shí)保持原指標(biāo)結(jié)果。

傳統(tǒng)的Apriori算法是挖掘數(shù)據(jù)關(guān)聯(lián)規(guī)則的經(jīng)典算法，其思路是對(duì)數(shù)據(jù)進(jìn)行逐一層次的迭代，不斷產(chǎn)生更高維度的頻繁項(xiàng)集和強(qiáng)關(guān)聯(lián)規(guī)則。本文在Apriori算法的基礎(chǔ)上添加時(shí)間約束，從時(shí)間角度對(duì)關(guān)聯(lián)規(guī)則進(jìn)行劃分，并利用改進(jìn)的提升度和置信度指標(biāo)來(lái)篩選的強(qiáng)關(guān)聯(lián)規(guī)則，步驟如下：

步驟1 設(shè)定最小支持度、最小置信度指標(biāo)的值，所設(shè)定的指標(biāo)是后續(xù)產(chǎn)生頻繁項(xiàng)集與強(qiáng)關(guān)聯(lián)規(guī)則的基礎(chǔ)。

步驟2 對(duì)整個(gè)鐵路事故風(fēng)險(xiǎn)源數(shù)據(jù)的集合進(jìn)行掃描。第一次掃描產(chǎn)生候選1項(xiàng)集，記W1。根據(jù)時(shí)間約束，將W1劃分為日間和夜間數(shù)據(jù)集分別為Wd1和Wn1，根據(jù)步驟1設(shè)定的最小支持度指標(biāo)的值，由候選1項(xiàng)集Wd1和Wn1生成頻繁1項(xiàng)集Vd1和Vn1。

步驟3 由候選1項(xiàng)集Wd1和Wn1直接生成候選2項(xiàng)集Wd2和Wn2，再根據(jù)步驟1設(shè)定的最小支持度指標(biāo)的值，生成頻繁2項(xiàng)集Vd2和Vn2。

步驟4 不斷重復(fù)步驟3，依次產(chǎn)生候選k項(xiàng)集和頻繁k項(xiàng)集，直至無(wú)法產(chǎn)生新的候選k+1項(xiàng)集Wdk+1和Wnk+1時(shí)，得到了所探索數(shù)據(jù)集的全部頻繁項(xiàng)集。

步驟5 根據(jù)步驟1設(shè)定的最小支持度、置信度指標(biāo)，得到不同時(shí)間下，數(shù)據(jù)集合中風(fēng)險(xiǎn)源與鐵路事故之間的強(qiáng)關(guān)聯(lián)規(guī)則。

圖1為改進(jìn)的關(guān)聯(lián)規(guī)則算法流程圖。

2 鐵路事故數(shù)據(jù)挖掘

本研究通過(guò)英國(guó)政府網(wǎng)站https：//www.gov.uk/raib-reports獲取了2011—2020年共計(jì)10年的英國(guó)鐵路事故數(shù)據(jù)報(bào)告176份，從每份事故報(bào)告中提取發(fā)生的事故類型和風(fēng)險(xiǎn)源。在研究中所用到的事故數(shù)據(jù)并未包括地鐵事故和有軌電車事故。值得注意的是，在對(duì)事故類型進(jìn)行統(tǒng)計(jì)時(shí)，存在一份事故報(bào)告中記錄發(fā)生多種類型事故的情況，如在編號(hào)為R072011的事故報(bào)告中，記錄表明先發(fā)生了失控事故再發(fā)生了脫軌事故，將這兩種類型的事故都進(jìn)行了統(tǒng)計(jì)。收集到發(fā)生的事故類型分別為碰撞、脫軌、失控、墜落、超速、拖拽、觸電、未遂事故共計(jì)8種類型。各事故類型的分布情況如圖2所示。

統(tǒng)計(jì)風(fēng)險(xiǎn)源為人員、設(shè)備、環(huán)境、管理4種類型，共計(jì)89種風(fēng)險(xiǎn)源。將風(fēng)險(xiǎn)源進(jìn)行編號(hào)，89種風(fēng)險(xiǎn)源分別編號(hào)為H01～H89。其中H01～H34的風(fēng)險(xiǎn)源為人員類型風(fēng)險(xiǎn)源，H35～H55的風(fēng)險(xiǎn)源為設(shè)備類型風(fēng)險(xiǎn)源，H56～H70的風(fēng)險(xiǎn)源為環(huán)境類型風(fēng)險(xiǎn)源，H71～H89的風(fēng)險(xiǎn)源為管理類型風(fēng)險(xiǎn)源。由于篇幅限制，這里僅選取部分人員、設(shè)備、環(huán)境和管理類型風(fēng)險(xiǎn)源進(jìn)行列舉如表2所示。詳細(xì)的各類風(fēng)險(xiǎn)源及描述詳見(jiàn)OSID科學(xué)數(shù)據(jù)與內(nèi)容附表。

鐵路事故的后果通過(guò)在事故中造成的人員傷亡的嚴(yán)重程度來(lái)衡量，傷亡嚴(yán)重程度通過(guò)表1所示的死亡和加權(quán)傷害（fatalities and weighted injuries， FWI）來(lái)量化。通過(guò)計(jì)算，得到每種事故的危害，以此確定鐵路事故的加權(quán)。表3為編號(hào)H90～H97的事故類型及危害后果量化值。

3 案例分析

根據(jù)上述實(shí)際鐵路事故數(shù)據(jù)，采用改進(jìn)的關(guān)聯(lián)規(guī)則算法挖掘風(fēng)險(xiǎn)源之間、風(fēng)險(xiǎn)源與鐵路事故之間的關(guān)聯(lián)關(guān)系。鐵路事故的發(fā)生頻率較低，所造成的事故損失是巨大的，設(shè)定不同的最小支持度和最小置信度的指標(biāo)組合進(jìn)行實(shí)驗(yàn)，得到不同的關(guān)聯(lián)規(guī)則數(shù)量，如圖3所示?？梢钥闯?，改進(jìn)后的關(guān)聯(lián)規(guī)則在相同的最小支持度和最小置信度指標(biāo)組合下，所得到的強(qiáng)關(guān)聯(lián)規(guī)則數(shù)量更多，獲取的有利于鐵路事故防控的信息也更加充分。

在本文中，設(shè)定不同的指標(biāo)組合，其得到包含鐵路事故信息的關(guān)聯(lián)規(guī)則均占比增加，如圖4所示。其中，設(shè)定在日間的最小支持度為0.05，最小置信度為0.1，得到70條強(qiáng)關(guān)聯(lián)規(guī)則。相較于未進(jìn)行加權(quán)計(jì)算的關(guān)聯(lián)規(guī)則，所獲得強(qiáng)關(guān)聯(lián)規(guī)則中包含鐵路事故的關(guān)聯(lián)規(guī)則占比由85.7%提升到了97.1%。設(shè)定在夜間的最小支持度為0.06，最小置信度為0.8，得到87條強(qiáng)關(guān)聯(lián)規(guī)則。相較于未進(jìn)行加權(quán)計(jì)算的關(guān)聯(lián)規(guī)則，所獲得強(qiáng)關(guān)聯(lián)規(guī)則中包含鐵路事故的關(guān)聯(lián)規(guī)則占比由81.8%提升到了97.7%。在這兩個(gè)時(shí)間段獲取的包含更多鐵路事故信息的關(guān)聯(lián)規(guī)則占比均提高，得到的包含鐵路事故與風(fēng)險(xiǎn)源之間關(guān)聯(lián)關(guān)系的規(guī)則也更多，有利于進(jìn)一步探索風(fēng)險(xiǎn)源與鐵路事故之間的關(guān)聯(lián)關(guān)系，有利于后續(xù)進(jìn)行鐵路事故的預(yù)防和控制。

在不同時(shí)間得到的部分強(qiáng)關(guān)聯(lián)規(guī)則如表4所示。針對(duì)此類結(jié)果，可以提出具體的預(yù)防措施如下：（1）在日間往往由于人員的誤判以及一些人員不遵守交通規(guī)則的行為導(dǎo)致碰撞事故的發(fā)生，需要進(jìn)一步加強(qiáng)對(duì)行人、乘客、騎行者等人的規(guī)范和引導(dǎo)。（2）在夜間，失控事故的發(fā)生往往伴隨著碰撞事故的發(fā)生，因此在發(fā)生失控事故時(shí)，需要注意對(duì)事故進(jìn)行及時(shí)干預(yù)，防止碰撞事故的進(jìn)一步發(fā)生。（3）在夜間，車輛、機(jī)械設(shè)備等操作員的違規(guī)操作或操作錯(cuò)誤往往會(huì)使車輛或者設(shè)備不安全運(yùn)行，從而導(dǎo)致碰撞事故的發(fā)生。因此需要重點(diǎn)加強(qiáng)鐵路作業(yè)車輛、設(shè)備等人員的管理培訓(xùn)，預(yù)防事故的發(fā)生。（4）夜間列車司機(jī)也容易產(chǎn)生過(guò)大的壓力或者作業(yè)疲勞分心，從而導(dǎo)致碰撞事故的發(fā)生，針對(duì)這一情況需要進(jìn)一步合理安排司機(jī)作業(yè)時(shí)間，并在司機(jī)上崗前確認(rèn)其身體狀況，從而保障鐵路列車的安全運(yùn)行。

4 結(jié)語(yǔ)

本研究所提出的改進(jìn)的Apriori算法根據(jù)不同的鐵路事故造成的危害不同，在進(jìn)行支持度與置信度指標(biāo)計(jì)算時(shí)，考慮了事故的權(quán)重，挖掘到了包含更多鐵路事故信息的關(guān)聯(lián)規(guī)則。同時(shí)添加時(shí)間約束，包含鐵路事故與風(fēng)險(xiǎn)源的強(qiáng)關(guān)聯(lián)規(guī)則數(shù)量在不同時(shí)間維度下均有所提高。最后針對(duì)典型強(qiáng)關(guān)聯(lián)規(guī)則提出具體的預(yù)防措施，有利于鐵路的安全管理。

本文仍存在一些不足，需要在今后的工作中進(jìn)一步研究和改進(jìn)。可以考慮使用更加豐富且具有一致性的數(shù)據(jù)，便于關(guān)聯(lián)規(guī)則的探索研究。也可以將風(fēng)險(xiǎn)源的重要性程度進(jìn)行考慮，在進(jìn)行支持度和置信度指標(biāo)的計(jì)算過(guò)程中對(duì)風(fēng)險(xiǎn)源的重要性程度進(jìn)行科學(xué)合理的加權(quán)量化分析，以便進(jìn)一步探討探討風(fēng)險(xiǎn)源之間關(guān)聯(lián)關(guān)系，為鐵路安全管理提供更加切實(shí)有效的預(yù)防措施。

參考文獻(xiàn)：

［1］國(guó)家鐵路局.“6.4”蘭新線K596次旅客列車與作業(yè)人員相撞鐵路交通事故調(diào)查處理情況公告［EB/OL］. ［2022-08-10］. http：//www.nra.gov.cn/zzjg/jgj/lzgl/gglz/202107/t20210729_337941.shtml

[2]張萌， 梁正， 祝思清. 基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘在醫(yī)療診斷中的應(yīng)用[J]. 山東科學(xué)， 2008， 21（1）： 80-82.

[3]降惠， 尹振保， 武麗娟， 等. Apriori算法在手足口病與氣象因素關(guān)系分析中的應(yīng)用[J]. 智能計(jì)算機(jī)與應(yīng)用， 2021， 11（7）： 124-128. DOI： 10.3969/j.issn.2095-2163.2021.07.023.

[4]陳治， 吳娟娟. 基于關(guān)聯(lián)規(guī)則的醫(yī)療數(shù)據(jù)挖掘研究[J]. 統(tǒng)計(jì)與決策， 2020， 36（6）： 174-177. DOI： 10.13546/j.cnki.tjyjc.2020.06.040.

[5]劉媛， 孫輝， 許苑南， 等. 基于數(shù)據(jù)挖掘及網(wǎng)絡(luò)藥理學(xué)探討中藥治療消化性潰瘍的用藥規(guī)律及作用機(jī)制[J]. 山東科學(xué)， 2022， 35（5）： 37-45. DOI： 10.3976/j.issn.1002-4026.2022.05.005.

[6]何林， 劉宇紅， 張榮芬. 基于關(guān)聯(lián)規(guī)則對(duì)工業(yè)鈾測(cè)量數(shù)據(jù)挖掘分析研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2022， 32（5）： 147-152. DOI： 10.3969/j.issn.1673-629X.2022.05.025.

[7]程巖， 任國(guó)興， 杜立彬. 基于Apriori模型的海洋災(zāi)害預(yù)警數(shù)據(jù)挖掘技術(shù)[J]. 山東科學(xué)， 2009， 22（2）： 57-60.

［8］ZAYDIN E， FISKIN R， UGDD）]URLU ， et al. A hybrid model for marine accident analysis based on Bayesian Network （BN） and Association Rule Mining （ARM） ［J］. Ocean Engineering， 2022， 247：110705. DOI： 10.1016/j.oceaneng.2022.110705.

［9］LAN H， MA X， MA L， et al. Pattern investigation of total loss maritime accidents based on association rule mining［J］. Reliability Engineering & SystemSafety， 2023， 229：108893. DOI： 10.1016/j.ress.2022.108893. [ZK）]

[10][ZK（#]劉文雅， 徐永能. 基于改進(jìn)Apriori算法的地鐵故障關(guān)聯(lián)規(guī)則挖掘[J]. 兵器裝備工程學(xué)報(bào)， 2021， 42（12）：210-215. DOI： 10.11809/bqzbgcxb2021.12.033.

[11]許未， 何世偉， 劉朝輝，等. 基于關(guān)聯(lián)規(guī)則的鐵路事故致因網(wǎng)絡(luò)構(gòu)建與分析[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)， 2020， 42（11）： 72-79. DOI： 10.16668/j.cnki.issn.1003-1421.2020.11.13.

[12]徐紅， 矯桂娥， 張文俊， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)化非平衡數(shù)據(jù)分類算法[J]. 計(jì)算機(jī)工程， 2023， 49（2）： 81-89. DOI： 10.19678/j.issn.1000-3428.0063871.

[13]何文竹， 彭長(zhǎng)根， 王毛妮， 等. 面向結(jié)構(gòu)化數(shù)據(jù)集的敏感屬性識(shí)別與分級(jí)算法[J]. 計(jì)算機(jī)應(yīng)用研究， 2020， 37（10）： 3077-3082. DOI： 10.19734/j.issn.1001-3695.2019.05.0187.