數(shù)據(jù)挖掘技術在交通事故分析中的應用
加入技術交流群
隨著國民經(jīng)濟的快速發(fā)展和人民生活水平的不斷提高，在交通運輸業(yè)持續(xù)發(fā)展的同時，轎車大量進入普通百姓家庭．汽車的社會保有量快速增長，使得駕駛員培訓學校門庭若市，職業(yè)駕駛員、非職業(yè)駕駛員大量增加，汽車保險業(yè)快速發(fā)展，同時交通事故的絕對數(shù)量也不斷增加。對于誘發(fā)交通事故的原因，以及各種原因的概率分布就成為交通管理部門、商業(yè)保險企業(yè)、駕駛員培訓學校等機構普遍關心的問題。
借助計算機技術和信息處理技術的發(fā)展成果，各地交通管理部門不斷投入大量的人力物力，建設各種各樣的信息化管理系統(tǒng)，如機動車輛信息管理系統(tǒng)、機動車駕駛員信息管理系統(tǒng)、交通事故信息管理系統(tǒng)等。伴隨著交通管理信息系統(tǒng)的不斷建設、完善與發(fā)展，積累了大量寶貴的數(shù)據(jù)資源，這些信息化系統(tǒng)和所積累的數(shù)據(jù)資源，對提高交通管理水平起了巨大作用。目前的交通信息管理系統(tǒng)主要任務是進行數(shù)據(jù)查詢或對特定的數(shù)據(jù)進行簡單獨立的數(shù)字處理，沒有對這些大量的數(shù)據(jù)所包含的內在有價值的信息有效提取。在如何利用這些海量數(shù)據(jù)資源進行交通事故發(fā)生原因及概率分布分析方面，做的工作還很少，使得這些寶貴的數(shù)據(jù)資源沒有發(fā)揮應有的作用。對這些進行分析歸類和有效處理，從中挖掘出表征交通事故發(fā)生的原因及分布概率的內在有用信息，為相關單位或機構提供某種程度或某種方面的決策依據(jù)，如交通事故防范、商業(yè)保險評估，機動車輛駕駛員培訓模式等等。從事物發(fā)展具有一定的內在聯(lián)系的觀點出發(fā)，結合數(shù)據(jù)挖掘技術的研究成果，答案是肯定的。
2 數(shù)據(jù)挖掘技術的基本概念和方法
數(shù)據(jù)挖掘是指從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中識別出存在于數(shù)據(jù)庫中有效的、新穎的、具有潛在價值的、最終可理解的模式的非平凡知識的過程。它利用各種分析方法和分析工具在大規(guī)模的海量數(shù)據(jù)中建立模型和發(fā)現(xiàn)數(shù)據(jù)間的關系。數(shù)據(jù)挖掘的技術很多，相應的實現(xiàn)方法也很多。一般包括下述幾種方法：決策樹方法，神經(jīng)網(wǎng)絡方法，概念樹方法，粗糙方法，遺傳算法，公式發(fā)現(xiàn)，模糊論方法，統(tǒng)計學方法．可視化技術，貝葉斯網(wǎng)絡等。在不同的領域，針對需要解決的具體問題，需要完成的挖掘主題，采用不同的數(shù)據(jù)挖掘技術或方法。
3 交通管理信息數(shù)據(jù)挖掘方法
3．1 需求理解
涉及到交通管理信息積累的原始數(shù)據(jù)很多，存在于不同的數(shù)據(jù)庫中，甚至有些與交通安全相關的某些數(shù)據(jù)跨行業(yè)保存在其他行業(yè)的數(shù)據(jù)庫中，如氣象部門記錄的天氣氣象數(shù)據(jù)。這些數(shù)據(jù)庫大多是事務性的數(shù)據(jù)庫，其中的數(shù)據(jù)各自獨立、互不相關。數(shù)據(jù)挖掘的主題是從這些互不相關的數(shù)據(jù)中尋找出與交通事故相關的信息，導致交通事故發(fā)生的各種因素以及交通事故對各種因素的概率分布。
3．2 數(shù)據(jù)準備
由于機動車輛．機動車駕駛員、交通事故信息管理系統(tǒng)的建設都是針對特定需求建立起來的事務性數(shù)據(jù)庫，其中存放的數(shù)據(jù)往往不能直接用于挖掘主題的數(shù)據(jù)挖掘，必須進行必要的數(shù)據(jù)預處理或數(shù)據(jù)準備，包括數(shù)據(jù)選擇、凈化、轉換、數(shù)據(jù)縮減等工作，獲取與挖掘主題直接相關的有效數(shù)據(jù)。數(shù)據(jù)準備是非常重要的一個步驟，將影響數(shù)據(jù)挖掘的效率和準確度以及最終模式的有效性。
機動車駕駛員信息管理系統(tǒng)主要記錄與駕駛員相關的信息，如駕駛員姓名、性別、年齡、學歷、駕齡、準駕車輛類別、駕駛證編號、發(fā)證機關等；機動車輛信息管理系統(tǒng)記錄車主姓名、車輛牌號、型號、類別、顏色、發(fā)動機號、車架號、出廠時間、購買時間、車輛用途等；交通事故信息管理系統(tǒng)記錄肇事駕駛員信息，如肇事駕駛員姓名、性別、年齡、駕齡、駕駛證編號以及肇事車輛的牌照號、型號、類別等。這些信息有些與交通事故相關，有些信息無關。車輛事故發(fā)生的概率與駕駛人員本身有著密切的關系，影響駕駛人員安全駕駛的主要因素包括年齡、性別、駕齡等。數(shù)據(jù)處理后可得表l所示的與交通事故密切相關的數(shù)據(jù)記錄。
3．3 數(shù)據(jù)挖掘方法設計
數(shù)據(jù)挖掘算法或數(shù)據(jù)挖掘技術的選擇，依賴于已有的原始數(shù)據(jù)資源和選定的挖掘主題，本課題所涉及的數(shù)據(jù)資源儲存于不同的事務性數(shù)據(jù)庫中，而確定的挖掘主題是利用數(shù)據(jù)挖掘技術，對這些大量的數(shù)據(jù)進行宏觀的基礎研究，尋求導致各種交通事故發(fā)生諸多因素的概率分布，為交通管理部門、商業(yè)保險部門、安全教育部門、機動車駕駛員培訓部門等行業(yè)提供決策的宏觀支持。挖掘的方法選用分類模式中的決策樹方法，這是分類模式中常用的一種分類器，通過對大量數(shù)據(jù)進行有目的的分類，從中找到一些有價值的、潛在的信息。決策樹方法的主要優(yōu)點是可以生成可理解的規(guī)則，計算量小，可以處理連續(xù)和集合屬性，決策樹的輸出包括屬性重要性排序。決策樹是一個類似于流程圖的結構，它包括決策節(jié)點、分枝和葉子節(jié)點。根據(jù)本課題的目標，決策樹法采用ID3方法，選擇互信息最大的屬性作為根節(jié)點。表l中有3個決策屬性和一個分類屬性，決策屬性是駕駛員年齡、駕齡和性別，分類屬性是事故的有無。ID3算法包括信息熵的計算、屬性A條件熵的計算和互信息的計算。
評論