- 相關(guān)推薦
數據挖掘在道路交通事故中的應用論文
數據挖掘技術(shù)在金融業(yè)、醫療保健業(yè)、市場(chǎng)業(yè)、零售業(yè)和制造業(yè)等很多領(lǐng)域都得到了很好的應用。針對交通安全領(lǐng)域中交通事故數據利用率低的現狀，可以通過(guò)數據挖掘對相關(guān)交通事故數據進(jìn)行統計分析，從而發(fā)現其中的關(guān)聯(lián)，這對提升交通安全水平具有非常重要的意義。
1數據挖掘技術(shù)概述
數據挖掘（DataMining）即對大量數據進(jìn)行有效的分類(lèi)統計，從而整理出有規律的、有價(jià)值的、潛在的未知信息。一般來(lái)講，這些數據存在極大的隨機性和不完全性，其包括各行各業(yè)各個(gè)方面的數據。數據挖掘是一個(gè)結合了數據庫、人工智能、機器學(xué)習的學(xué)科，涉及統計數據和技術(shù)理論等領(lǐng)域。
2數據挖掘關(guān)聯(lián)分析研究
關(guān)聯(lián)分析作為數據挖掘中的重要組成部分，其主要作用就是通過(guò)數據之間的相互關(guān)聯(lián)從而發(fā)現數據集中某種未知的聯(lián)系。關(guān)聯(lián)分析最初是在20世紀90年代初被提出來(lái)的，一直備受關(guān)注。已被廣泛應用于各行各業(yè)，包括醫療體檢、電子商務(wù)、商業(yè)金融等各個(gè)領(lǐng)域。關(guān)聯(lián)規則的挖掘一般可分成兩個(gè)步驟[1]：
�。�1）找出頻繁項集，不小于最小支持度的項集；
�。�2）生成強關(guān)聯(lián)規則，不小于最小置信度的關(guān)聯(lián)規則。相對于生成強關(guān)聯(lián)規則，找出頻繁項集這一步比較麻煩。由R.Agrawal等人在1994年提出的Apriori算法是生成頻繁項集的經(jīng)典算法[2]。Apriori算法使用了Level-wise搜索的迭代方法，即用k-項集探索（k+1）-項集。Apriori算法在整體上可分為兩個(gè)部分。
�。�1）發(fā)現頻集。這個(gè)部分是最重要的，開(kāi)銷(xiāo)相繼產(chǎn)生了各種各樣的頻集算法，專(zhuān)門(mén)用于發(fā)現頻集，以降低其復雜度、提高發(fā)現頻集的效率。
�。�2）利用所獲得的頻繁項集各種算法主要致力產(chǎn)生強關(guān)聯(lián)規則。當然頻集構成的聯(lián)規則未必是強關(guān)聯(lián)規則，還要檢驗構成的關(guān)聯(lián)規則的支持度和支持度是否超過(guò)它們的閾值。Apriori算法找出頻繁項集分為兩步：連接和剪枝。
�。�1）連接。集合Lk-1為頻繁k-1項集的集合，它通過(guò)與自身連接就可以生成候選k項集的集合，記作Ck。
�。�2）剪枝。頻繁k項集的集合Lk是Ck的子集。剪枝首先利用Apriori算法的性質(zhì)（頻繁項集的所有非空子集都是頻繁的，如果不滿(mǎn)足這個(gè)條件，就從候選集合Ck中刪除）對Ck進(jìn)行壓縮；然后，通過(guò)掃描所有的事務(wù)，確定壓縮后Ck中的每個(gè)候選的支持度；最后與設定的最小支持度進(jìn)行比較，如果支持度不小于最小支持度，則認為該候選項是頻繁的。目前，在互聯(lián)網(wǎng)技術(shù)及科學(xué)技術(shù)的快速發(fā)展下，人工智能、機器識別等技術(shù)興起，關(guān)聯(lián)分析也被越來(lái)越多應用其中，并在不斷發(fā)展中提出了大量的改進(jìn)算法。
3數據挖掘關(guān)聯(lián)分析在道路交通事故原因分析當中的應用
近年來(lái)，我國越來(lái)越多的學(xué)者將數據挖掘關(guān)聯(lián)分析應用于道路交通事故的研究中，主要是分析道路、車(chē)輛、行人以及環(huán)境等因素與交通事故之間的某種聯(lián)系。Pande和Abdel-Aty[3]通過(guò)關(guān)聯(lián)分析研究了美國佛羅里達州2004年非交叉口發(fā)生的道路交通事故，重點(diǎn)分析了各個(gè)不同的影響因素與交通事故之間的內在聯(lián)系，通過(guò)研究得出如下結論，道路照明條件不足是引發(fā)道路交通事故的主要因素，除此之外，還發(fā)現天氣惡劣的環(huán)境下道路彎道的直線(xiàn)段也極易發(fā)生交通事故。Graves[4]利用數據挖掘技術(shù)中的關(guān)聯(lián)規則對歐洲道路交通事故進(jìn)行了分析，主要研究了交通事故與道路設施狀況之間的關(guān)聯(lián)，通過(guò)研究發(fā)現了易導致交通事故發(fā)生的各個(gè)道路設施狀況因素，此研究為歐洲路面建設及投資提供了強大的決策支持。我國學(xué)者董立巖在研究道路交通事故數據的文獻中，將粗糙集與關(guān)聯(lián)分析進(jìn)行了融合，提出了基于偏好信息的決策規則簡(jiǎn)約算法并將其應用其中，通過(guò)分析發(fā)現了道路交通事故的未知規律。王艷玲通過(guò)關(guān)聯(lián)分析中的因子關(guān)聯(lián)樹(shù)模型重點(diǎn)分析了影響道路交通事故最重要的因子，發(fā)現在道路交通事故常見(jiàn)的誘因人、車(chē)、路及環(huán)境中對事故影響最大的因子是環(huán)境。許卉瑩等利用關(guān)聯(lián)分析、聚類(lèi)分析以及決策樹(shù)分析三種數據挖掘技術(shù)對道路交通事故數據進(jìn)行分析，最終得出了科學(xué)的道路交通事故預防和交通安全管理決策依據。尚威等在研究中，對大量的道路交通數據進(jìn)行了有效整合，并在此基礎上按照交通事故相關(guān)因素的不同特點(diǎn)整理出與事故發(fā)生有關(guān)的字段數據，形成新的事故數據記錄表，然后再根據多維關(guān)聯(lián)規則對記錄的相關(guān)數據進(jìn)行分析，從而發(fā)現了事故誘導因素記錄字段值和事故結果字段值組成的道路交通事故頻繁字段的組合。張聽(tīng)等在充分掌握聚類(lèi)數據挖掘理論與方法的基礎上，提出了多目標聚類(lèi)分析框架和一個(gè)啟發(fā)式的聚類(lèi)算法k-WANMI，并將其用在道路交通事故的聚類(lèi)研究中對不同權重的屬性進(jìn)行了多目標分析。同樣，許宏科也利用該方法對公路隧道交通流數據進(jìn)行了聚類(lèi)分析，其在研究中不僅明確了隧道交通流的峰值規律，而且還根據這種規律制訂了隧道監控設備的不同控制方案，對提高隧道交通安全的水平做了極大的貢獻。徐磊和方源敏在研究中，提出了由簡(jiǎn)化信息熵構造的改進(jìn)C4.5決策樹(shù)算法，并將其應用在交通事故數據的研究中，對交通數據進(jìn)行了正確分類(lèi)，發(fā)現了一些隱藏的規則和知識，為交通管理提供了依據。劉軍、艾力斯木吐拉、馬曉松運用多維關(guān)聯(lián)規則分析交通事故記錄，從而找到導致交通事故發(fā)生次數多的主要原因，并且指導相關(guān)部門(mén)作出相應的決策。楊希剛運用關(guān)聯(lián)規則為現實(shí)中的交通事故的預防提供依據。吉林大學(xué)的吳昊等人，基于關(guān)聯(lián)規則的理論基礎，定義了公路交通事故屬性模型，并結合改進(jìn)后的Apriori算法，分析了交通事故歷史數據信息，為有關(guān)單位和用戶(hù)尋找道路黑點(diǎn)（即事故多發(fā)點(diǎn)）提供了技術(shù)支援和決策幫助。
4結語(yǔ)
通過(guò)數據挖掘中的關(guān)聯(lián)分析方法雖然能夠對道路交通事故的相關(guān)因素進(jìn)行清晰的分析，但是目前在這一方面的研究仍有不足之處。因為關(guān)聯(lián)分析在道路交通事故的研究中往往只能片面發(fā)現某一種或幾種因素影響交通事故的規律，很難將所有影響因素結合起來(lái)進(jìn)行全面系統的分析。然而道路交通事故的發(fā)生通常都是由相應因素導致，而后事故當事人意識到危險源的存在并采取措施，直到事故發(fā)生的連續過(guò)程，整體來(lái)看體現了時(shí)序性。也就是說(shuō)，道路交通事故是受到一系列按照時(shí)間先后順序排列的影響因素組合共同作用而發(fā)生的，從整體的角度出發(fā)研究事故發(fā)生機理更加科學(xué)。
參考文獻
[1]楊秀萍.大數據下關(guān)聯(lián)規則算法的改進(jìn)及應用[J].計算機與現代化,2014(12):23-26.
[2]王云,蘇勇.關(guān)聯(lián)規則挖掘在道路交通事故分析中的應用[J].科學(xué)技術(shù)與工程,2008(7):1824-1827.
[3]徐磊,方源敏.基于決策樹(shù)C4.5改進(jìn)算法的交通數據挖掘[J].微處理機,2010,31(6):57-59.
[4]楊希剛.數據挖掘在交通事故中的應用[[J].軟件導刊,2008,7(26):18-20.
【數據挖掘在道路交通事故中的應用論文】相關(guān)文章：
數據挖掘在旅游電子商務(wù)中應用論文08-07
數據挖掘在ＣＲＭ中的應用分析06-09
數據挖掘技術(shù)在ＣＲＭ中的應用09-20
網(wǎng)絡(luò )經(jīng)濟數據挖掘在工商管理中的應用論文10-18
淺談數據挖掘在電子商務(wù)中的應用10-08