交通事故大数据挖掘分析分析

国外交通事故大数据挖掘分析摘要：近年来，伴随车速提升及交通量增加，道路交通事故每年呈上升趋势。经过对交通事故大数据挖掘分析，k-means聚类分析和Apriori关联规则分析交通事故趋势和模式，找出事故频发路段和引发事故原因以及事故频发高峰期，以数据分析结果为依据，改进交通情况，降低交通事故，提升交通系统效率。关键词：交通系统、k-means聚类、Apriori算法Abstract:recentyears,astheimprovementofspeedofvehicleandgrowthoftrafficvolume,roadtrafficaccidentsisontheriseeveryyear.basedondataminingandanalysisoftrafficaccidentsbigdata,K-meansclusteranalysisandAprioriassociationrulesanalysistrafficaccidenttendencyandpattern.findoutfrequentaccidentsectionsandthecauseofaccidentandpeakhours,baseondataanalysisresult,improvethetrafficsituation,reducetarfficaccident,improvetheefficiencyoftrafficsystem.Keywords：transportationsystem、k-meanscluster、Apriorialgorithm一、引言1伴随我国经济发展，交通安全问题日益突出，已经引发了人们广泛关注。怎样对大量交通事故信息进行数据挖掘，寻找出其中隐藏知识与规律，用以改进交通安全情况已成为数据挖掘一个主要研究领域。2国内外现实状况智能交通系统国内外研究现实状况伴随智能交通发展，美国正在研究和布署车辆避碰、司机与车辆监控、与乘坐者安全性能改进等工作。欧洲正在开展为优化人机界面和道路安全远程信理“智能道路”研究和示范。澳大利亚也正在用智能交通系统新技术改进道路安全。日本投入了大量人力和资金，成功地组织了一个“动态路径诱导系统”试验，日本相继完成了路车间通信系统、交通信息通信系统、宽区域旅行信息系统、超智能车辆系统、安全车辆系统及新交通管理系统等方面研究。日本“车辆、道路与交通智能协会”成立，ITS由导航系统、自动收费系统、安全驾驶6援助系统等9个开发领域和20个用户服务功效组成。欧洲ITS开发与应用是与欧盟交通运输一体化建设进程紧密联络在一起。智能交通系统交通管理、车辆行驶和电子收费等都围绕全欧无线数据通信网来展开。韩国政府于月制订了全新RRS计划投入75亿美元，建成包含汽车及高速公路系统，先进交通管理系统，电子收费系统个先进RRS子系统。新加坡ITS研发也具备了较高水平，其城市高速路监控系统(EMAS)，优化交通信号系统(GLIDE)，出行者信息服务系统。二、交通事故大数据分析流程1数据采集交通事故大数据起源于公共安全部门和交通部门下事故数据仓库CTCDR，CTCDR目标是给负责交通安全人员提供及时、精准、完整、标准交通事故数据。CTCDR允许对数据进行复杂查询，属性包含日期、道路位置、道路类型、碰撞类型、伤害程度等。经过用户自定义交通事故数据维度，进行更高级数据分析识别趋势和模式。2数据分析k-means聚类分析，Apriori关联规则分析，关联规则反应一个事物与其余事物之间相互依赖性或相互关联性。事故数据维度包含：日期、事故伤害程度、事故地点和区域、事故影响原因、事故碰撞类型、天气条件、路面情况、建设或维护相关、光照条件、路拦等；交通个体数据维度包含：车辆是否是有资格发动机型号、车辆类型、车辆制动、车辆机动前缀、车辆机动后缀、驾驶员或行人年纪、驾驶员或行人是否喝酒和吸毒、车辆出毛病个数、首先撞上物体、然后撞上物体。包括人员数据维度包含ID号、伤害分类、座位、年纪、保护系统使用、安全气袋状态、喷射状态。道路特征数据维度包含平均日流量、农村或城市、通道数。3数据可视化Tableau进行数据可视化，生成对应图表图形，直观表示交通事故大数据分析结果。三、关于研究领域原理及应用介绍（算法原理）（1）K-means算法是一个经典聚类算法，其基本思想是：以随机选取K个样本作为起始中心点，将其余样本归入相同度最高中心点所在簇，再确立当前簇中样本坐标均值为新中心点，依次循环下去，直到全部样本类别不再变动，得到K个交通事故类，并得到聚类算法模型，能够将全部交通事故数据划分到所属类中，同时得到m个交通事故信息特征对聚类效果主要性程度。图1K-means聚类算法流程（2）Apriori算法是一个挖掘关联规则频繁项集算法，设置最小支持度和最小置信度，产生频繁项集，关联分析数据源，某个项目集支持度大于或等于最小支持度，则该项目集被标识为频繁项集。找出频繁项集，依照这些频繁项集能够得到候选关联规则，计算每条候选关联规则置信度，筛选出大于最小置信度关联规则，这些关联规则能够发觉道路交通事故数据中各种属性关联，以及驾驶员、车辆、道路、天气、时间等属性引发道路交通事故原因原因与事故结果之间规则，从中得到规律。图2Apriori算法流程图本文采取k-means聚类算法对交通事故数据进行基于属性聚类分析，在属性聚类中，使得在一个类中事故特征具备很高相同性，将每个类事故原因看成一个整体来看。采取Apriori关联规则算法找到引发事故多原因和各自占比，利用多维关联规则挖掘方法建立Apriori关联规则挖掘模型，经过找出可能造成交通事故发生频繁原因组合来发觉一些事故发生规律，并将这些规律作为现实中作出预防举措依据。四、研究点采取数据挖掘方法研究交通事故数据，建立多维关联规则数据挖掘模型，意在经过数据挖掘关联规则算法，将事故原因集和事故结果集组成事故模式，交通管理部门就能够经过对驾驶员、车辆、道路、天气、时间等原因来判断道路交通事故发生可能性。k-means算法对属性做聚类分析，经过指定时间范围，选择某个区域或某条道路来确定要分析数据对象，选定需要分析项目属性进行聚类分析，在属性聚类中，利用聚类分析对事故原因进行聚类和分组，使得在一个类中事故特征具备很高相同性，能够将每个类事故原因看成一个整体。依照实际需要，在事故原因聚类分析时，要考虑事故原因中各个属性主要程度，进行属性主要度分析。五、结果分析表明引发交通事故绝大部分都是在没有不利天气条件下发生，下雨或下雪对事故发生有较大影响。上图说明事故多发生Daylight和Darklight，事故发生和光照条件并无太大关系。交通事故多发生路面情况正常即干燥路面，其余情况如路面是湿、有融雪等等轻易引发交通事故。上图表明引发交通事故影响原因依次从大到小，分别是跟车距离太近、未能给出优先权、司机失控、变换车道不妥、违反交通管理、速度过快、弯道超车、不安全倒退等等。按路面情况进行聚类，路面情况可分为冰雪、潮湿、平坦等情况，依照聚类算法得出结论：平坦路面情况最多，事故数也最多，冰雪只在冬季部分时间和部分路面才出现，发生事故百分比相对很大，说明冰雪路面易发生事故。路面积水造成摩擦系数降低，车辆轻易发生侧滑而冲出公路，造成交通事故发生。六、未来展望伴随经济与社会发展，公路交通量与日俱增，其交通堵塞、交通拥挤与交通肇事等现象日益增多。且公路占地多、环境污染和财力不足等很多原因，己不再主要用修建更多公路方法来处理交通问题，而是致力于用高科技改造现有公路网技术情况和完善交通管理体系，以提升现有路网经过能力，适应该前和未来交通量大幅度增加社会需求。智能交通系统应用计算机系统监控交通情况和系统本身性能，道路上埋设感应线圈可检测车辆车速，车流量及道路占用情况，并可在一秒钟内实时修改数据，交通信号可由计算机依照实际情况进行自适应调整或人为干涉，关键路段和重点地域配有摄像机实时监控交通情况。智能交通系统正在研究将城市地域开发交通管理技术和系统功效推广应用，经过先进电子通信技术提升行车安全性。系统包含为驾驶员和事故受害者提供援助无线紧急呼救系统，恶劣道路和交通环境实时警告系统。参考文件：[1]交通事故深入数据分析及其应用，李一兵，袁泉，张雷，清华大学汽车安全与节能国家重点试验室；[2]智能交通发展中大数据分析，岳建明，袁伦渠，北京交通大学