基于WOMDI-Apriori算法的高速公路交通事故風(fēng)險(xiǎn)識(shí)別

楊 洋, 袁振洲，王印海，王文成，孫東冶

(1.北京航空航天大學(xué) 交通科學(xué)與工程學(xué)院，北京 100191;2.美國華盛頓大學(xué)(西雅圖)土木與環(huán)境工程學(xué)院，西雅圖 98195;3.北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044;4.北京市城市規(guī)劃設(shè)計(jì)研究院，北京 100045;5.中國交通通信信息中心 交通安全應(yīng)急信息技術(shù)國家工程實(shí)驗(yàn)室，北京 100011)

0 引言

高速公路在給人們生活生產(chǎn)帶來便捷的同時(shí)，伴隨的交通事故和安全隱患等問題亦不容忽視.交通事故是由人、車、路、環(huán)境等各維度系統(tǒng)中某個(gè)或多個(gè)維度的指標(biāo)狀態(tài)在運(yùn)行過程中的作用造成，1個(gè)或多個(gè)因素的作用結(jié)果，造成了不同的事故風(fēng)險(xiǎn)與事故形態(tài)；換言之，不同的事故風(fēng)險(xiǎn)和形態(tài)，其發(fā)生的內(nèi)在機(jī)理各不相同[1]；這造就了高速公路交通事故發(fā)生機(jī)理的內(nèi)部因素關(guān)聯(lián)錯(cuò)綜復(fù)雜.

國內(nèi)外眾多學(xué)者圍繞高速公路安全領(lǐng)域相關(guān)的事故統(tǒng)計(jì)分析、事故頻率或嚴(yán)重程度的預(yù)測(cè)、以及交通安全提升等角度進(jìn)行了大量研究[2-4].高速公路事故致因分析工作中，傳統(tǒng)的事故樹模型以及FP-Tree算法等交通事故致因分析方法便于操作者把握事故整體特征，但無法實(shí)現(xiàn)對(duì)事故多屬性間的關(guān)聯(lián)考慮，也無法對(duì)事故原因進(jìn)行有效的定量化呈現(xiàn)和剖析[5].關(guān)聯(lián)規(guī)則分析也是針對(duì)該問題常用的數(shù)據(jù)挖掘研究方法，其中Apriori關(guān)聯(lián)規(guī)則挖掘算法則是關(guān)聯(lián)規(guī)則分析的主要方法之一[6].該算法能準(zhǔn)確有效地挖掘出2個(gè)或多個(gè)因素間的相關(guān)關(guān)系，但無法量化關(guān)聯(lián)規(guī)則中單一因素的重要度，且數(shù)據(jù)項(xiàng)較多時(shí)計(jì)算量會(huì)成倍增長，運(yùn)算效率降低[7].在傳統(tǒng)的交通事故致因分析和風(fēng)險(xiǎn)識(shí)別的關(guān)聯(lián)規(guī)則挖掘工作中，實(shí)質(zhì)上是對(duì)于各風(fēng)險(xiǎn)因素進(jìn)行了等權(quán)重處理，容易忽略需重點(diǎn)考察的因素，且造成了大量的無用運(yùn)算，影響模型計(jì)算效率.此外，由于關(guān)聯(lián)規(guī)則挖掘算法最早開發(fā)是應(yīng)用于購物籃分析，而有學(xué)者在應(yīng)用關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行交通事故分析時(shí)，直接套用傳統(tǒng)的Apriori關(guān)聯(lián)規(guī)則挖掘算法研究交通安全領(lǐng)域的問題，導(dǎo)致了如圖1的結(jié)果中輸出了大量因果顛倒的無效甚至錯(cuò)誤的無序關(guān)聯(lián)規(guī)則[8].

圖1 某應(yīng)用傳統(tǒng)Apriori算法分析交通事故研究時(shí)造成的錯(cuò)誤結(jié)果

高速公路交通事故風(fēng)險(xiǎn)識(shí)別和致因分析是一項(xiàng)復(fù)雜的系統(tǒng)工作[9]，交通事故各因素間存在錯(cuò)綜復(fù)雜的關(guān)聯(lián)關(guān)系，各因素指標(biāo)對(duì)事故影響的重要程度也各有不同，基于以上分析，為探究高速公路事故發(fā)生機(jī)理，揭露“人、車、路、環(huán)境”與“事故”各維度間以及維度內(nèi)部的關(guān)聯(lián)統(tǒng)計(jì)關(guān)系，克服傳統(tǒng)模型的缺陷和以往研究考慮的不足，本文提出了一種考慮定向約束和指標(biāo)賦權(quán)的多維度交互改進(jìn)的Apriori關(guān)聯(lián)規(guī)則挖掘算法(Weighted Orientated Multiple Dimension Interactive-Apriori WOMDI-Apriori)；對(duì)選定路段行了關(guān)聯(lián)規(guī)則挖掘計(jì)算，以期充分揭示高速公路事故發(fā)生機(jī)理，挖掘多維多層事故間的潛在規(guī)律特征，發(fā)現(xiàn)各層因素間的內(nèi)在關(guān)聯(lián)，為高速公路交通事故預(yù)測(cè)和風(fēng)險(xiǎn)防控提供有力的理論依據(jù).

1 樣本結(jié)構(gòu)設(shè)計(jì)

1.1 研究區(qū)域介紹

基于美國華盛頓大學(xué)(西雅圖)DriveNet智能交通大數(shù)據(jù)平臺(tái)，提取2016全年時(shí)段相關(guān)交通事故數(shù)據(jù)，選取了里程長、事故多、安全水平提升不顯著的I-5州際高速公路里程樁號(hào)(Mile Post)的100—200路段作為研究對(duì)象，圖2給出了本文選定的研究路段區(qū)域.

圖2 美國I-5州際高速公路西雅圖城區(qū)研究路段區(qū)位圖(I-5:MP100-200)

1.2 原始數(shù)據(jù)集介紹

樣本數(shù)據(jù)集原始文檔為CSV文件，全州2016年全年共301 779條事故數(shù)據(jù)，原始數(shù)據(jù)集共包含481條字段屬性變量信息：事故發(fā)生時(shí)間、地點(diǎn)、碰撞形態(tài)、嚴(yán)重程度、天氣狀態(tài)、道路情況、駕駛?cè)诵畔ⅰ⑸媸萝囕v信息、保險(xiǎn)信息等.篩選后數(shù)據(jù)集I-5的100～200里程路段包含16 361條事故數(shù)據(jù).

1.3 字段維度聚類劃分

道路交通事故數(shù)據(jù)屬性具有多層次、多維度特點(diǎn)，如果直接將所有事故屬性變量輸入到關(guān)聯(lián)規(guī)則挖掘算法中，一方面由于眾多屬性變量對(duì)算法效率的影響，會(huì)導(dǎo)致算法效率低下，另一方面由于多維數(shù)據(jù)空間的稀疏性，在不同層次的多維數(shù)據(jù)間發(fā)現(xiàn)有價(jià)值的強(qiáng)關(guān)聯(lián)規(guī)則會(huì)比較困難；鑒于此，本文提出了基于多維度交互改進(jìn)關(guān)聯(lián)規(guī)則挖掘算法.為便于利用事故樣本進(jìn)行關(guān)聯(lián)規(guī)則挖掘，結(jié)合高速公路數(shù)據(jù)集中各屬性變量的含義、分類及取值情況對(duì)高速公路交通事故屬性進(jìn)行維度劃分，具體劃分結(jié)構(gòu)如圖3所示，將以上篩選后事故數(shù)據(jù)的字段變量進(jìn)行聚類劃分為“時(shí)間、環(huán)境、人、車、路、事故”6個(gè)維度.

圖3 高速公路事故數(shù)據(jù)集樣本結(jié)構(gòu)維度設(shè)計(jì)

2 WOMDI-Apriori關(guān)聯(lián)規(guī)則挖掘算法

2.1 關(guān)聯(lián)規(guī)則挖掘基本參數(shù)

關(guān)聯(lián)規(guī)則挖掘是數(shù)據(jù)挖掘的主要技術(shù)之一，也是無指導(dǎo)學(xué)習(xí)系統(tǒng)中挖掘模式的最普通形式.關(guān)聯(lián)規(guī)則挖掘是從大量數(shù)據(jù)中挖掘出描述數(shù)據(jù)項(xiàng)之間相互聯(lián)系的有價(jià)值的知識(shí)[10].

一條完整的關(guān)聯(lián)規(guī)則可表示為“X?Y”的蘊(yùn)含形式，X是先導(dǎo)項(xiàng)，又稱為致因?qū)?，Y 是后繼項(xiàng)，又稱為結(jié)果層，關(guān)聯(lián)規(guī)則“X?Y” 為研究中可視且成立的基本條件，其符合預(yù)設(shè)支持度、置信度和提升度的要求，支持度、置信度、提升度是表征關(guān)聯(lián)規(guī)則的3個(gè)重要的參數(shù)，其中：

1)支持度(Sup)：數(shù)據(jù)集D中包含的項(xiàng)目集X的事務(wù)數(shù)稱為項(xiàng)目集X的支持?jǐn)?shù)，表示為σx，項(xiàng)目集X的支持率(也稱支持度)記為：Support(X)，即概率P(X)：

(1)

式中，{D}為數(shù)據(jù)集D的事務(wù)數(shù)，如果Support(X)符合不小于預(yù)設(shè)的最小支持度閾值(min_support)，則稱X為頻繁項(xiàng)目集，否則X就為非頻繁項(xiàng)目集.

項(xiàng)目集(X∪Y)的支持度即為關(guān)聯(lián)規(guī)則X?Y的支持率，實(shí)質(zhì)上為D中事務(wù)包含(X∪Y)的比例，即為概率P(X∪Y)，(X∪Y)發(fā)生的頻率，記：Support(X?Y)：

P(X∪Y)

(2)

2)置信度(Conf)：2個(gè)定義在I和D上如X?Y的關(guān)聯(lián)規(guī)則，其置信度表示的意義為“滿足條件X事務(wù)的同時(shí)也滿足條件Y”，X?Y的關(guān)聯(lián)規(guī)則的置信度就是在包含項(xiàng)集X的前提下，同時(shí)還包含項(xiàng)集Y的條件概率P(Y|X)，記作：Confidence(X?Y).

Confidence(X?Y)=P(Y|X)=

(3)

式中，X?I,Y?I,X∩Y=?.

3)提升度：提升度用以表征先導(dǎo)項(xiàng)和后繼項(xiàng)的關(guān)聯(lián)程度，為了避免偽強(qiáng)關(guān)聯(lián)規(guī)則的干擾，防止無效關(guān)聯(lián)規(guī)則出現(xiàn)在最終結(jié)果中，特此引入提升度指標(biāo)，將該指標(biāo)也作為有效關(guān)聯(lián)規(guī)則的判斷條件：

(4)

提升度越大表征項(xiàng)集X和項(xiàng)集Y的關(guān)聯(lián)程度越高.一般我們認(rèn)為只有Lift大于1的關(guān)聯(lián)規(guī)則，才是有效的強(qiáng)關(guān)聯(lián)規(guī)則，此時(shí)X和Y正相關(guān)；若提升度Lift<1,說明X和Y沒有關(guān)聯(lián)度或?yàn)榛コ忭?xiàng)集，此類非有效關(guān)聯(lián)規(guī)則，在結(jié)果中不予考慮.

4)最小支持度和最小置信度閾值與強(qiáng)關(guān)聯(lián)規(guī)則

在建模過程中，用戶可指定最小支持度(記為min_support)和最小置信度(記為min_confidence)，前者描述了關(guān)聯(lián)規(guī)則需滿足的最低重要程度，后者規(guī)定了關(guān)聯(lián)規(guī)則必須滿足的最低可靠性，且min_support∈(0,1]，min_confidence∈(0,1].

數(shù)據(jù)集D在項(xiàng)目集I上滿足最小支持度閾值和最小信任度閾值，同時(shí)提升度Lift大于1的關(guān)聯(lián)規(guī)則就稱為有價(jià)值的強(qiáng)關(guān)聯(lián)規(guī)則.

2.2 主客觀聯(lián)合賦權(quán)模型

為盡可能消除主觀賦權(quán)法和客觀賦權(quán)法在權(quán)重賦值過程中各自存在的權(quán)值偏差，采用了一種基于離差平方和的組合賦權(quán)法[11-12]，將IAHP法所得主觀權(quán)重和粗糙集模型所得的客觀權(quán)重進(jìn)行集成優(yōu)化，用以計(jì)算對(duì)應(yīng)指標(biāo)的實(shí)際考慮權(quán)重：

(5)

步驟1：首先確定待評(píng)估對(duì)象集和與之對(duì)應(yīng)的指標(biāo)集.設(shè)X為對(duì)象集合，記為X={x1,x2,…,xn}，A={a1,a2,…,an}為指標(biāo)集合，a(x)為對(duì)象x在屬性a上的值，指標(biāo)值可為離散值也可為連續(xù)值.

步驟3：利用粗糙集原理求得客觀屬性權(quán)重.屬性集C={c1,c2,…,cn}為將步驟1中確定的評(píng)估指標(biāo)集，域U={u1,u2,u3,…,un}為對(duì)應(yīng)時(shí)間的各種可能原因的事件集合，每條事故記錄在分項(xiàng)指標(biāo)上的取值視為對(duì)象ut的1條信息，ut={c1t,c2t,…,cnt}，并將其進(jìn)行離散化處理，建立離散化二維信息表，依照式(5)計(jì)算得到權(quán)重向量ω*.

2.3 WOMDI-Apriori算法構(gòu)建

通過對(duì)Apriori關(guān)聯(lián)規(guī)則挖掘算法的計(jì)算過程和結(jié)果輸出形式的分析，需對(duì)Apriori關(guān)聯(lián)規(guī)則挖掘算法進(jìn)行改進(jìn)和優(yōu)化，以使得算法能更好地適應(yīng)高速公路事故風(fēng)險(xiǎn)識(shí)別的問題.

從3個(gè)角度對(duì)算法進(jìn)行了改進(jìn)優(yōu)化：①對(duì)算法進(jìn)行了有序定向的規(guī)則關(guān)聯(lián)形式約束，使面向購物籃領(lǐng)域應(yīng)用范圍的傳統(tǒng)Apriori關(guān)聯(lián)規(guī)則挖掘算法能兼容適用于高速公路事故風(fēng)險(xiǎn)識(shí)別的問題；②通過主客觀賦權(quán)模型對(duì)所有字段變量進(jìn)行指標(biāo)權(quán)重計(jì)算，并基于權(quán)重優(yōu)化結(jié)果，提出了“相對(duì)支持度”“相對(duì)置信度”“相對(duì)提升度”的概念；③打破傳統(tǒng)的“致因先導(dǎo)項(xiàng)?后果后繼項(xiàng)”的交通事故挖掘輸出方式，引入多維度交互關(guān)聯(lián)的思路，不僅考慮“致因先導(dǎo)向?后果后繼項(xiàng)”的關(guān)聯(lián)關(guān)系，更是從致因?qū)泳S度部的自相關(guān)(先導(dǎo)項(xiàng))，以及事故結(jié)果維度內(nèi)部自相關(guān)(后繼項(xiàng))的角度，探究高速公路各維度間的關(guān)聯(lián)規(guī)則.

圖4給出了本文提出的考慮定向約束的多維度交互改進(jìn)Apriori算法模型示意，改進(jìn)模型的具體模型表達(dá)式如下：

圖4 改進(jìn)的Apriori關(guān)聯(lián)規(guī)則挖掘算法模型

全映射關(guān)聯(lián)規(guī)則表示為：

{Li1,Li2,…,Lin}?{Rj1,Rj2,…,Rjm}

(6)

先導(dǎo)項(xiàng)自相關(guān)關(guān)聯(lián)規(guī)則表示為：

{La1,La2,…,Lan}?{Lb1,Lb2,…,Lbm}

(7)

后繼項(xiàng)自相關(guān)關(guān)聯(lián)規(guī)則表示為：

{Rc1,Rc2,…,Rcn}?{Rd1,Rd2,…,Rdm}

(8)

任一關(guān)聯(lián)規(guī)則的相對(duì)支持度(Relative-Support：R-Sup)表示為：

(9)

任一關(guān)聯(lián)規(guī)則的相對(duì)置信度(Relative-Confidence：R-Conf)表示為：

(10)

任一關(guān)聯(lián)規(guī)則的相對(duì)提升度(Relative-Lift：R-Lift)表示為：

(11)

式中，{L1,L2,…,Ln}∈X，X為所有約束鎖定在先導(dǎo)項(xiàng)(LHS)的變量集合，在本文研究中，X為交通事故的所有致因?qū)幼侄螌傩?；{R1,R2,…,Rn}∈Y，Y為所有約束鎖定在后繼項(xiàng)(RHS)的變量集合，在本文的研究中Y為交通事故的所有事故結(jié)果層字段屬性.Ak為計(jì)算結(jié)果中的任一關(guān)聯(lián)規(guī)則，ω1,ω2,…,ωn為關(guān)聯(lián)規(guī)則Ak的先導(dǎo)項(xiàng)與后繼項(xiàng)中所有的n個(gè)元素的主客觀權(quán)重系數(shù)，同時(shí)且有：

(12)

圖5給出了考慮有序定向約束和指標(biāo)賦權(quán)的多維度交互Apriori關(guān)聯(lián)規(guī)則挖掘算法(Weighted Orientated Multiple Dimension Interactive-Apriori：WODMI-Apriori)的算法設(shè)計(jì)流程.

圖5 WODMI-Apriori關(guān)聯(lián)規(guī)則挖掘算法設(shè)計(jì)步驟

2.4 基于關(guān)聯(lián)規(guī)則挖掘的高速公路交通事故風(fēng)險(xiǎn)識(shí)別流程

基于WODMI-Apriori算法的高速公路事故風(fēng)險(xiǎn)識(shí)別流程如下：

步驟1：樣本結(jié)構(gòu)化設(shè)計(jì)：按照事故屬性變量的維度與層次劃分，確定待分析的屬性變量，提取相關(guān)屬性變量數(shù)據(jù)集；

步驟2：主客觀聯(lián)合賦權(quán)法優(yōu)化指標(biāo)權(quán)重：利用IAHP-粗糙集理論聯(lián)合的權(quán)重計(jì)算模型，計(jì)算樣本數(shù)據(jù)集中各字段變量的權(quán)值；

步驟3：設(shè)置關(guān)聯(lián)規(guī)則挖掘中的定向約束：根據(jù)具體挖掘中考慮的維度與指向，進(jìn)行各字段變量在先導(dǎo)項(xiàng)與后繼項(xiàng)的約束集合；

步驟4：參數(shù)設(shè)置：根據(jù)不同關(guān)聯(lián)分析背景要求以及數(shù)據(jù)形式，確定最小支持度(min-sup)、最小置信度(min-conf)、以及提升度(lift)的閾值；

步驟5：WOMDI-Apriori關(guān)聯(lián)規(guī) 則挖掘：依照?qǐng)D5中的WOMDI-Apriori算法流程，首先求得滿足最小支持度閾值的頻繁項(xiàng)集，然后根據(jù)最小置信度閾值和提升度閾值約束條件，求得并輸出符合要求的關(guān)聯(lián)規(guī)則；

步驟6：基于步驟3中的指標(biāo)權(quán)重優(yōu)化結(jié)果，求得各規(guī)則的相對(duì)支持度(R-Sup)、相對(duì)置信度(R-Conf)、以及相對(duì)提升度(R-Lift)的值，重新排序并篩選出有價(jià)值的強(qiáng)關(guān)聯(lián)規(guī)則；

步驟7：關(guān)聯(lián)規(guī)則解讀，以及取得的相關(guān)成果在高速公路安全管理中的應(yīng)用.

3 算例分析

3.1 全映射交通事故致因關(guān)聯(lián)規(guī)則挖掘

全映射定向關(guān)聯(lián)規(guī)則，即為鎖定先導(dǎo)項(xiàng)(LHS)和后繼項(xiàng)(RHS)的前提下，以LHS?RHS形式的定向關(guān)聯(lián)為約束條件，挖掘得到的關(guān)聯(lián)規(guī)則；其中，輸入數(shù)據(jù)庫時(shí)，在該部分計(jì)算中，本文建立的模型規(guī)定LHS中有且只有致因?qū)泳S度的變量，RHS中有且只有事故層維度的變量.

3.1.1 改進(jìn)算法的精度提升校驗(yàn)

首先，進(jìn)行各維度數(shù)據(jù)的輸入；然后，設(shè)置初始閾值，考慮研究區(qū)域交通事故的主要特征，經(jīng)過人工調(diào)試，設(shè)置最小支持度閾值min_sup=0.25，最小置信度閾值min_conf=0.35；在設(shè)置相同參數(shù)閾值條件下，分別應(yīng)用原始Apriori關(guān)聯(lián)規(guī)則挖掘算法和WOMDI-Apriori關(guān)聯(lián)規(guī)則挖掘算法對(duì)輸入的數(shù)據(jù)集進(jìn)行關(guān)聯(lián)規(guī)則挖掘，挖掘結(jié)果匯總?cè)鐖D6.

圖6 原始Apriori模型和改進(jìn)的Apriori模型算法結(jié)果對(duì)比

計(jì)算結(jié)果顯示：未加載定向約束的原始Apriori關(guān)聯(lián)規(guī)則挖掘算法在研究區(qū)域路段共挖掘到21 930條關(guān)聯(lián)規(guī)則，而應(yīng)用本文提出的WOMDI-Apriori模型，挖掘結(jié)果只輸出了符合條件的3 783條關(guān)聯(lián)規(guī)則.也就是說，如果未對(duì)算法進(jìn)行優(yōu)化和改進(jìn)，將至少產(chǎn)生18 147條無效的關(guān)聯(lián)規(guī)則，改進(jìn)的WOMDI-Apriori模型比傳統(tǒng)Aprori模型在本文研究路段結(jié)果中的計(jì)算精確度提高了82.7%.

3.1.2 參數(shù)標(biāo)定

圖7給出了挖掘結(jié)果的參數(shù)分布散點(diǎn)圖，圖中橫坐標(biāo)表征相對(duì)支持度(R-Sup)，縱坐標(biāo)表征相對(duì)置信度(R-Conf)，顏色深淺為相對(duì)提升度(R-Lift)大小.

圖7 交通事故全映射關(guān)聯(lián)規(guī)則挖掘結(jié)果分布

通過關(guān)聯(lián)規(guī)則的散點(diǎn)圖可發(fā)現(xiàn)一部分關(guān)聯(lián)規(guī)則的相對(duì)支持度介于0.2～0.7之間，另外一部分介于0.85～0.95之間，說明在所有符合閾值條件規(guī)則中高頻規(guī)則和低頻規(guī)則并存；從置信度指標(biāo)來看，大部分關(guān)聯(lián)規(guī)則的相對(duì)置信度在0.5～0.95之間，另有少數(shù)規(guī)則的相對(duì)置信度大于0.95，但低于0.8相對(duì)置信度的區(qū)域，其顏色較淺，這意味著這部分關(guān)聯(lián)規(guī)則的相對(duì)提升度不足，有可能是項(xiàng)集間關(guān)聯(lián)程度不夠甚至是無效的關(guān)聯(lián)規(guī)則，說明本次建模的初始置信度閾值設(shè)置較小，上調(diào)為0.8更有利于有效規(guī)則的篩選；同時(shí)，對(duì)于提升度指標(biāo)來說，通過觀察散點(diǎn)圖中的顏色，有大約一半關(guān)聯(lián)規(guī)則的相對(duì)提升度小于1，說明有很大部分規(guī)則未能滿足提升度大于1的約束條件，即為無效的關(guān)聯(lián)規(guī)則.因此，需重新調(diào)整模型參數(shù)進(jìn)一步分析篩選有效關(guān)聯(lián)規(guī)則.基于以上討論，最小支持度保持不變，最小置信度閾值設(shè)為0.8，最終得到符合約束條件(相對(duì)支持度sup>0.25，相對(duì)置信度conf>0.8)的關(guān)聯(lián)規(guī)則共有2 351條.圖8給出了參數(shù)調(diào)整修正后的挖掘結(jié)果.

圖8 交通事故全映射關(guān)聯(lián)規(guī)則挖掘結(jié)果分布(參數(shù)校準(zhǔn))

3.1.3 有價(jià)值強(qiáng)關(guān)聯(lián)規(guī)則的提取

針對(duì)關(guān)聯(lián)規(guī)則挖掘的2 351條有效關(guān)聯(lián)規(guī)則，進(jìn)行有條件排序，分別按照相對(duì)支持度(R-Sup)和相對(duì)置信度(R-Conf)由大到小進(jìn)行排序，同時(shí)順延剔除相對(duì)提升度(R-Lift)小于1的規(guī)則，提取的輸出結(jié)果如表1和表2所示.

表1 相對(duì)支持度排序的全映射關(guān)聯(lián)規(guī)則

表2 相對(duì)置信度排序的全映射關(guān)聯(lián)規(guī)則

3.2 事故維度自相關(guān)關(guān)聯(lián)規(guī)則挖掘

事故維度自相關(guān)定向關(guān)聯(lián)規(guī)則，即為鎖定先導(dǎo)項(xiàng)(LHS)和后繼項(xiàng)(RHS)都僅為事故層維度變量的前提下，以LHS?RHS形式的定向關(guān)聯(lián)為約束條件，挖掘得到的關(guān)聯(lián)規(guī)則；模型規(guī)定LHS和RHS中皆有且只有事故維度的字段變量，模型具體形式為：{車輛行駛描述(Vehicle Movement)+涉事機(jī)動(dòng)車數(shù)量(Vehicles Involved)+事故形態(tài)(Collision Type)}?{人員傷亡情況(Injury Type)+車輛損壞情況(Damage)}.模型示意圖如圖9所示.

圖9 事故維度自相關(guān)挖掘模型

通過各維度數(shù)據(jù)輸入、參數(shù)閾值調(diào)整過程得最終挖掘結(jié)果如圖10所示.

圖10 事故維度自相關(guān)挖掘結(jié)果

在此對(duì)挖掘結(jié)果進(jìn)行考慮R-sup和R-conf的雙約束篩選(即相對(duì)支持度和相對(duì)置信度都處于較高水平的關(guān)聯(lián)規(guī)則)，提取3個(gè)區(qū)域類型高速公路中的有價(jià)值強(qiáng)關(guān)聯(lián)規(guī)則，將關(guān)聯(lián)規(guī)則的參數(shù)控制范圍設(shè)置為：R-sup(0.45～0.65)、R-conf(0.75～0.90)，提取得表4的強(qiáng)關(guān)聯(lián)規(guī)則.

3.3 結(jié)果分析與討論

1)算法精度提升校驗(yàn)過程中發(fā)現(xiàn)，改進(jìn)的WOMDI-Apriori模型比傳統(tǒng)Aprori模型在本文研究路段結(jié)果中的計(jì)算精確度提高了82.7%.由此可見，針對(duì)此類高速公路事故高風(fēng)險(xiǎn)識(shí)別的研究問題，直接套用傳統(tǒng)的Apriori算法，將對(duì)結(jié)果造成一定混淆，因此本文對(duì)Apriori算法進(jìn)行的優(yōu)化改進(jìn)是十分必要的.

2)表1全映射事故致因挖掘的高相對(duì)支持度強(qiáng)關(guān)聯(lián)規(guī)則結(jié)果顯示，通過對(duì)結(jié)果中先導(dǎo)項(xiàng)的觀察，多可見道路濕滑(Roadway Surface Condition=Wet)和惡劣天氣(Weather=Raining，Roadway Surface Condition=Snow/Slush)導(dǎo)致的交通事故，即：在高速公路行車過程中，下雨道路濕滑或惡劣天氣下導(dǎo)致的事故數(shù)量比較多.

3)表1全映射事故致因挖掘的高相對(duì)支持度強(qiáng)關(guān)聯(lián)規(guī)則結(jié)果顯示，通過觀察結(jié)果中的先導(dǎo)項(xiàng)，選取路段的事故多以工作日(Week Day=Mon)、白天(Lighting Condition=Daylight)、通勤(On Duty=Yes)、小客車事故(Vehicle Style=Sedan 4 Dr)為主，且基本路段(MAINLINE)和匝道(RAMP)事故兼存，得出的該規(guī)律符合日常認(rèn)知.就事故形態(tài)而言，選定路段以側(cè)向剮蹭(Collision Type=Sideswipes LEFT side of other vehicle)和追尾事故(Collision Type=Strikes REAR END of other vehicle)為主，涉事車輛多為兩輛，可能的解釋是西雅圖城區(qū)交通流密集且車速往往較慢，而且多是通勤客流為主的時(shí)段中，高事故頻率條件下造成的結(jié)果.

4)針對(duì)表1中的關(guān)聯(lián)規(guī)則“{Age=27～45, Gender=Male, Vehicle Style=Sedan 4 Dr}?{Damage=No}”，其相對(duì)支持度為0.874 4，相對(duì)置信度0.955 6，相對(duì)提升度為1.175 4，說明該條規(guī)則相比于其他關(guān)聯(lián)規(guī)則而言，其規(guī)則可信程度和項(xiàng)集間的相關(guān)性都比較高，也符合日常認(rèn)知，即：27～45歲開小轎車的男性駕駛員造成了很多交通事故，同時(shí)這些事故多數(shù)并未造成車輛嚴(yán)重?fù)p壞.

5)表2全映射事故致因挖掘的高相對(duì)置信度強(qiáng)關(guān)聯(lián)規(guī)則結(jié)果顯示，在選定的高速公路路段中，位于高相對(duì)置信度(R-Conf)前3的關(guān)聯(lián)規(guī)則中未發(fā)現(xiàn)有工作日早晚高峰的事故，雖然基于常識(shí)，該時(shí)間段的交通事故頻率會(huì)相對(duì)比較高的，但并不能說明其發(fā)生的條件概率(相對(duì)置信度)就一定處于較高的水平.

6)雖然數(shù)據(jù)顯示位于HOV車道的事故發(fā)生頻率相對(duì)較低，但高相對(duì)置信度輸出結(jié)果中的第一條關(guān)聯(lián)規(guī)則顯示，在HOV車道上，一旦有車輛非法停車(Stopped in Traffic-Legally Standing)，且駕駛員年齡相對(duì)較大時(shí)(Age>45)，即使是在白天，也將會(huì)大概率發(fā)生較為嚴(yán)重的交通事故(Damage=Yes, Airbag Status=Not Ejected, Injury Type=Serious Injury)，對(duì)于此類交情況應(yīng)格外注意.

7)基于表3中事故維度自相關(guān)挖掘結(jié)果中提取的強(qiáng)關(guān)聯(lián)規(guī)則可知，選定高速公路區(qū)域路段的事故涉事機(jī)動(dòng)車(Vehicles Involved)多以2車及以上為主，多見追尾(Strikes REAR END of other vehicle)和側(cè)向剮蹭(Was struck on LEFT side at angle by other vehicle)事故形態(tài)，并偶有發(fā)生(相對(duì)支持度處于較低水平)車輛起火(Non-Collision FIRE)的單車事故，且該選定的城區(qū)路段事故發(fā)生頻率較高(高相對(duì)支持度)，但事故后果相對(duì)較輕.

表3 事故維度自相關(guān)挖掘結(jié)果有價(jià)值強(qiáng)關(guān)聯(lián)規(guī)則提取結(jié)果

3.4 基于關(guān)聯(lián)規(guī)則挖掘結(jié)果的高速公路交通安全提升建議

輸出結(jié)果中，高相對(duì)支持度關(guān)聯(lián)規(guī)則表征該類關(guān)聯(lián)規(guī)則發(fā)生的頻率較高，高相對(duì)置信度關(guān)聯(lián)規(guī)則表征該類關(guān)聯(lián)規(guī)則，一旦先導(dǎo)項(xiàng)事件發(fā)生，有大概率導(dǎo)致后繼項(xiàng)事故發(fā)生(條件概率高).針對(duì)不同類別的關(guān)聯(lián)規(guī)則挖掘，應(yīng)從不同的角度進(jìn)行分析研究，并予以不同的處置方法.

在風(fēng)險(xiǎn)防控過程中，對(duì)于高相對(duì)支持度的關(guān)聯(lián)規(guī)則，應(yīng)著眼于先導(dǎo)項(xiàng)中的信息，采取必要措施盡可能限制或避免先導(dǎo)項(xiàng)的發(fā)生；而對(duì)于高相對(duì)置信度的關(guān)聯(lián)規(guī)則中描述的情況，一旦發(fā)現(xiàn)其先導(dǎo)項(xiàng)發(fā)生，應(yīng)著重注意，并盡可能控制并預(yù)防后繼項(xiàng)事故的發(fā)生.

4 結(jié)論

高速公路事故發(fā)生機(jī)理中的各因素關(guān)聯(lián)錯(cuò)綜復(fù)雜，為了能識(shí)別高速公路的事故征兆風(fēng)險(xiǎn)因子，克服傳統(tǒng)方法在研究此類問題時(shí)的缺陷，針對(duì)性地對(duì)高速公路交通事故預(yù)測(cè)以及安全管理提供可靠的理論依據(jù)，本文選取了穿越西雅圖城區(qū)I-5州際高速公路作為研究路段，提出了一種考慮定向約束和指標(biāo)賦權(quán)的多維度交互改進(jìn)的Apriori關(guān)聯(lián)規(guī)則挖掘算法(WODMI-Apriori)，應(yīng)用該算法對(duì)選取的路段進(jìn)行了全映射事故致因角度和事故維度自相關(guān)角度的關(guān)聯(lián)規(guī)則挖掘，基于計(jì)算結(jié)果，進(jìn)行了關(guān)聯(lián)規(guī)則解讀并提出了相應(yīng)的風(fēng)險(xiǎn)控制措施，主要結(jié)論如下：

1)基于關(guān)聯(lián)規(guī)則挖掘算法的高速公路交通事故風(fēng)險(xiǎn)識(shí)別方法，可較為準(zhǔn)確地識(shí)別高速公路運(yùn)行過程中的事故征兆風(fēng)險(xiǎn)因子、分析高速公路交通事故致因；同時(shí)，改進(jìn)的WOMDI-Apriori算法還可獲取維度交互角度和事故維度自相關(guān)角度的關(guān)聯(lián)規(guī)則，進(jìn)而揭示更多的潛在高速公路交通事故發(fā)生內(nèi)在機(jī)理.

2)通過關(guān)聯(lián)規(guī)則挖掘算法識(shí)別到的高速公路事故征兆風(fēng)險(xiǎn)因子，可做為諸如交通事故預(yù)警預(yù)測(cè)或風(fēng)險(xiǎn)防控等后續(xù)研究工作的理論基礎(chǔ).

3)提出的WOMDI-Apriori算法在對(duì)選定區(qū)域的高速公路進(jìn)行交通事故關(guān)聯(lián)規(guī)則挖掘時(shí)，其計(jì)算結(jié)果相較于未加載定向約束的傳統(tǒng)Apriori算法的精度提高了82.7%.這表明對(duì)算法的改進(jìn)十分必要，且本文提出的改進(jìn)算法能更好地適應(yīng)高速公路交通事故風(fēng)險(xiǎn)識(shí)別的研究.

4)在進(jìn)行高速公路行車安全提升工作時(shí)，針對(duì)挖掘結(jié)果中不同類型的強(qiáng)關(guān)聯(lián)規(guī)則，應(yīng)當(dāng)采取不同的應(yīng)對(duì)策略，可取得較好的交通事故風(fēng)險(xiǎn)防控效果.