林穎

【摘 要】隨著計(jì)算機(jī)應(yīng)用技術(shù)的不斷普及、發(fā)展和完善，利用數(shù)據(jù)挖掘技術(shù)、專家系統(tǒng)、計(jì)算機(jī)人工智能來對(duì)道路交通事故進(jìn)行處理已經(jīng)越來越廣泛。鑒于道路交通事故的過程具有系統(tǒng)性、強(qiáng)關(guān)聯(lián)性、復(fù)雜性等一系列特點(diǎn)，運(yùn)用計(jì)算機(jī)人工智能技術(shù)對(duì)道路交通事故的突發(fā)性、致因性、規(guī)律性、模糊性進(jìn)行分析和研究等已經(jīng)成為現(xiàn)實(shí)。本文通過對(duì)智能算法在交通事故分析中應(yīng)用的可行性研究，提出了利用聚類分析算法和關(guān)聯(lián)分析算法分別對(duì)事故黑點(diǎn)的排查及事故因素的關(guān)聯(lián)分析。

【關(guān)鍵詞】智能算法；事故信息；聚類分析；關(guān)聯(lián)分析

1.智能算法在交通事故分析上的應(yīng)用

目前人們廣泛采用的智能計(jì)算方法主要有統(tǒng)計(jì)方法）、器學(xué)習(xí)方法、面向數(shù)據(jù)庫(kù)的方法、聚類分析方法、人工神經(jīng)網(wǎng)絡(luò)方法、遺傳算法、近似推理和不確定性推理方法、基于證據(jù)理論和元模式的方法、現(xiàn)代數(shù)學(xué)分析方法、粗糙集或模糊集方法、集成方法、關(guān)聯(lián)規(guī)則算法、決策樹方法等。

發(fā)展智能交通的最終目標(biāo)就是通過對(duì)各類的交通信息、數(shù)據(jù)進(jìn)行分析，對(duì)交通系統(tǒng)的控制方案和策略予以優(yōu)化，通過調(diào)整各類交通參與者的行為以及道路交通設(shè)施設(shè)備的建設(shè)、改善，從而實(shí)現(xiàn)交通系統(tǒng)的優(yōu)化及高效運(yùn)行的目的。因此，分析交通信息、制定控制策略是整個(gè)系統(tǒng)的關(guān)鍵。本文在總結(jié)和借鑒大量學(xué)者研究的基礎(chǔ)上，介紹兩種基于數(shù)據(jù)挖掘理論的智能算法DBSCAN及Apriori，分別用于交通事故黑點(diǎn)的排查及事故關(guān)聯(lián)因素的分析。

2.基于密度的聚類分析算法DBSCAN

2.1算法應(yīng)用的數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)

數(shù)據(jù)挖掘不能直接把任何數(shù)據(jù)進(jìn)行計(jì)算，要事先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)成算法能夠應(yīng)用的數(shù)據(jù)類型，然后輸入到算法中的數(shù)據(jù)結(jié)構(gòu)中去?；趦?nèi)存的聚類算法通常都采用以下兩種數(shù)據(jù)結(jié)構(gòu)[1]。

2.1.1數(shù)據(jù)矩陣

數(shù)據(jù)矩陣是一個(gè)對(duì)象-結(jié)構(gòu)。它是由n個(gè)對(duì)象組成，如：人；這些對(duì)象是利用p個(gè)屬性來進(jìn)行描述的，如：年齡、高度、體重等。數(shù)據(jù)矩陣的表達(dá)方式為n×p的矩陣。

2.1.2差異矩陣

差異矩陣是一個(gè)對(duì)象-對(duì)象結(jié)構(gòu)。n個(gè)對(duì)象彼此之間的差異將存放于該矩陣中，采用n×n矩陣來表示。

由交警部門提供的交通事故數(shù)據(jù)經(jīng)過整理后存放到數(shù)據(jù)矩陣中去保存。如：一個(gè)交通事故點(diǎn)可以占用一行，而它的每一個(gè)屬性可以占用這一行的每一個(gè)列元素。對(duì)于差異矩陣，可以反映每?jī)蓚€(gè)事故數(shù)據(jù)的差異，它可以是兩個(gè)事故發(fā)生地點(diǎn)的距離，也可以是兩個(gè)事故發(fā)生情況的相似度倒數(shù)，還可以是兩個(gè)事故發(fā)生的時(shí)間差?？傊?，它可以靈活的反映事故之間的差異。在本系統(tǒng)中對(duì)于事故黑點(diǎn)的聚類分析采用事發(fā)地點(diǎn)的空間距離來構(gòu)成差異矩陣。

2.2 DBSCAN算法在交通事故黑點(diǎn)排查上的應(yīng)用

DBSCAN算法是一個(gè)比較典型的基于密度的聚類分析法，它能從含有噪聲的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類。關(guān)于該算法的2個(gè)基本概念：（1）一個(gè)給定對(duì)象的ε半徑內(nèi)的近鄰就稱為該對(duì)象的ε-近鄰；（2）若一個(gè)對(duì)象的ε-近鄰至少包含一定數(shù)目（MinPts）的對(duì)象，該對(duì)象就稱為核對(duì)象。DBSCAN算法的基本思想就是通過不斷的搜索臨近點(diǎn)來使核對(duì)象周圍的密度逐漸增加，從而尋找到一個(gè)區(qū)域內(nèi)所查找點(diǎn)或?qū)ο竺芏却蟮牡胤?。算法中所要研究的點(diǎn)可以描述為交通事故發(fā)生的地點(diǎn)，對(duì)于算法中的ε-近鄰區(qū)域可以理解為道路的公里數(shù)，因此DBSCAN算法在道路交通事故黑點(diǎn)的智能排查上就可以理解為排查在半徑為ε公里內(nèi)發(fā)生MinPts以上交通事故的地點(diǎn)或者路段。

3.關(guān)聯(lián)規(guī)則挖掘的算法分析

3.1關(guān)聯(lián)規(guī)則挖掘的過程

設(shè)I={i1，i2，.....im}是項(xiàng)的集合。設(shè)任務(wù)相關(guān)的數(shù)據(jù)D是數(shù)據(jù)事務(wù)的集合，其中每個(gè)事務(wù)T是項(xiàng)的集合，使得T?I。每一個(gè)事務(wù)有一個(gè)標(biāo)識(shí)符，稱作TID。設(shè)A是一個(gè)項(xiàng)集，事務(wù)T包含A當(dāng)且僅當(dāng)A?T。關(guān)聯(lián)規(guī)則是形如A?B的蘊(yùn)涵式，其中A?I，B?I，并且A∩B=?。規(guī)則A?B在事務(wù)集D中成立，具有支持度support，是指D中包含A和B的事務(wù)數(shù)與所有事務(wù)數(shù)之比它，即概率P（A∪B ）。規(guī)則A?B在事務(wù)集D中具有置信度confidence，是指D中包含A和B的事務(wù)數(shù)與包含A的事務(wù)數(shù)之比，即條件概率P（BA） [2]。

給定一個(gè)事務(wù)集D，挖掘關(guān)聯(lián)規(guī)則問題就是產(chǎn)生支持度和置信度分別大于用戶給定的最小支持度（Minimum Support Count，簡(jiǎn)稱min_sup）和最小置信度 （Minimum Confidence Count，簡(jiǎn)稱min_conf）的關(guān)聯(lián)規(guī)則[3]。

項(xiàng)的集合稱為項(xiàng)集（Itemset），包含k個(gè)項(xiàng)的項(xiàng)集稱為k-項(xiàng)集。項(xiàng)集的出現(xiàn)頻率是在整個(gè)事務(wù)數(shù)據(jù)集D中包含該項(xiàng)集的事務(wù)數(shù)，簡(jiǎn)稱為項(xiàng)集的頻率、支持計(jì)數(shù)或計(jì)數(shù)。如果項(xiàng)集的出現(xiàn)頻率大于或等于min_sup與D中事務(wù)總數(shù)的乘積，稱項(xiàng)集滿足最小支持度min_sup。如果項(xiàng)集滿足最小支持度，則稱它為頻繁項(xiàng)集（Frequent Itemset），簡(jiǎn)稱頻集[3]。頻繁k-項(xiàng)集的集合通常記作Lk。

3.2 Apriori算法在交通事故關(guān)聯(lián)因素分析上的應(yīng)用

Apriori算法是根據(jù)頻繁項(xiàng)集中所有非空子集都必須也是頻繁項(xiàng)集這一性質(zhì)[4，5]，對(duì)目標(biāo)進(jìn)行第k遍掃描之前，可先產(chǎn)生候選集Ck，Ck可以分兩步來產(chǎn)生，設(shè)前一步（第k-1步）已生成（k-1）-頻繁集Lk-1，則首先可以通過對(duì)Lk-1中的成員進(jìn)行連接來產(chǎn)生候選，Lk-1中的兩個(gè)成員必需滿足在兩個(gè)成員的項(xiàng)目中有（k-2）個(gè)項(xiàng)目是相同的這個(gè)條件方可連接，即：Ck=Lk-1ΘLk-1={AΘB│A，B?Lk-1，│A∩B=k-2}。接著，再?gòu)腃k中刪除所有包含不是頻繁的（k-1）-子集的成員項(xiàng)目集即可。

發(fā)生道路交通事故的原因是由多方面因素決定的，與駕駛員、車輛、道路、時(shí)間、天氣等都是有一定聯(lián)系的，是綜合共同作用的結(jié)果。具體思路是利用多維Apriori算法得出各種事故相關(guān)因素的關(guān)聯(lián)規(guī)則，以“條件集合?結(jié)果”的方式顯示，條件集合包括駕駛員因素、車輛因素、天氣因素、時(shí)間因素、照明因素中的某一個(gè)或幾個(gè)因素，即可能引發(fā)道路交通事故的原因因素。結(jié)果包括事故本身因素中的事故類型、事故主要原因、事故形態(tài)、傷害程度，即導(dǎo)致道路交通事故的結(jié)果因素。通過得到的每條規(guī)則的支持度和置信度來判斷規(guī)則對(duì)道路交通事故影響的程度及規(guī)則的重要性和有效性。 （下轉(zhuǎn)第98頁(yè)）

（上接第86頁(yè)）具體描述：通過選定要分析的交通事故本身與駕駛員、車輛、道路、天氣、時(shí)間等具體選項(xiàng)信息，利用多維Apriori算法作關(guān)聯(lián)分析。發(fā)現(xiàn)各個(gè)因素之間的聯(lián)系，結(jié)果采用文本形式來描述，形如（A，B，C）?D（min_sup；min_conf），其中A、B、C分別代表規(guī)則的前提條件，D代表規(guī)則的結(jié)果，min_sup和min_conf表示該規(guī)則的支持度和置信度，取值均為0%到100%之間。支持度描述的是在所有的記錄中，A、B、C同時(shí)出現(xiàn)的概率；置信度表示在A、B、C同時(shí)出現(xiàn)的條件下，發(fā)生情況D的概率。當(dāng)一條規(guī)則滿足一定的最小支持度和最小置信度時(shí)，可以認(rèn)為該規(guī)則是比較常見的，可信度比較高的。如：天氣：晴&照明條件：白天&駕駛員：無證駕駛?傷人事故（12.7%；29.8%），表示在所有的事故記錄中，同時(shí)滿足晴、白天和無證駕駛條件的記錄占12.7%，由于這3個(gè)條件而出現(xiàn)傷人事故的占29.8%。 [科]

【參考文獻(xiàn)】

[1]鮑海濤.聚類分析在交通事故黑點(diǎn)智能排查中的應(yīng)用[D].吉林大學(xué)，2004：25-35.

[2]毛國(guó)君，段立娟，王實(shí)，等.數(shù)據(jù)挖掘原理與算法[M].北京：清華大學(xué)出版社，2005：65-68，280-290.

[3]陳文偉.數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘教程[M].北京：清華大學(xué)出版社，2006：123-125.

[4]Yang Xue-bing.A High Efficient Multi-dimensional Association Rules Mining Algorithm [J].Computer Development，2012（6）：33-39.

[5]Qin Feng，Yang Xue-bing.Research and analysis of multi-dimensional association rules mining [J].Anhui University of Technology，2013，20（2）：66-69.