摘要
随着国民经济的不断增长，道路交通设施日益完善，机动车保有量、驾驶员数量和道路交通流量都持续增长。随之而来，道路交通安全隐患也不断增加，道路交通事故严重威胁着人民生命财产安全。针对这一问题，英、美等国家积极开展防御性驾驶培训，使驾驶员在驾驶中能够合理预估风险，“预见”由道路、车辆、行人、环境等诸多情况引发的危险，实施必要、合理、有效的避险措施，把可能发生的事故消灭在萌芽状态之中。但道路交通系统是一个复杂多变的系统，驾驶员针对各类风险因素的预防很难做到面面俱到，因此，通过对已有道路交通事故数据进行分析，挖掘出各因素间的潜在关联可以找出影响交通事故发生的众多因素中的重要因素，对这些重要因素采取有针对性的预防措施可以起到事半功倍的效果。 本文首先根据国内外对道路交通事故的已有研究，以驾驶员为核心，选取人、车、路、环境中对交通事故产生影响的因素，并对各因素进行简要分析。然后对数据挖掘相关技术进行概述，分别介绍了两步BIRCH聚类算法和Apriori关联规则算法两种数据挖掘方法。论文以国家车辆事故深度调查体系（NationalAutomobileAccidentIn-DepthInvestigationSystem,NAIS）数据库中的2071起事故案例数据为依托，建立事故影响因素变量集，运用两步BIRCH聚类算法分析事故案例中主动事故和被动事故各项属性的特征分布，发现驾驶员超速、抢行等习惯性违规行为是导致交通事故的主要因素，驾驶员操作错误在被动事故中的相对占比大于主动事故；城市道路的交叉口是事故的高发点，但主被动事故的客观影响因素分布未见明显差异；主被动事故在碰撞类型和事故类型上存在较大差异。 针对两步BIRCH聚类算法未能充分利用数据，未能挖掘到数据背后隐含关联的问题。采用Apriori算法进一步挖掘事故致因，通过全因素模式挖掘事故影响因素主客观因素间的关联规则，通过偏因素模式挖掘事故自身属性与事故影响因素之间的关联规则。最后对Apriori算法获取的关联规则进行梳理和解读，根据驾驶员个性特征、异常驾驶行为、车辆、道路、环境和事故自身属性间的强关联规则和聚类结果分析事故致因，归纳上述维表中易导致事故发生的属性和组合，提出关键的、有针对性的防御性驾驶策略，为改善道路交通安全提供了一种有效的研究方法和决策支援。
NETL