技术领域

本发明涉及通信领域， 尤其涉及一种基于关联规则的道路交通 事故数据挖掘方法及装置。

背 景技术

智能交通系统是目前能全面有效地解决交通运 输领域问题， 特 别是交通拥挤、 交通阻塞、 交通事故和交通污染等问题的最佳途径。 其中， 交通事件 （包括事故， 交通管制等）对交通流及路况的影响是 智能交通系统的热点研究方向之一，

在当前， 我国的道路交通状况存在着道路等级低、 交通混行严 重、 行人干扰大、 高速公路刚刚起步等特点。 因此， 需要合理分析交 通事故， 特别是利用科技手段准确把握交通事故的特征 和趋势， 以提 高道路的安全设计和有针对性地制定道路交通 管理措施， 从而减少道 路交通事故的发生。

在实现本发明的过程中， 发明人发现现有技术中至少存在如下 问题： 目前无法实现与事故发生的条件因素相关的有 效分析和统计， 难以为交通事故的预防、 处理和决策等工作服务。

发 明 内 容

本发明的实施例提供一种基于关联规则的道路 交通事故数据挖 掘方法及装置， 能够实现与事故发生的条件因素相关的有效分 析和统 计， 为交通事故的预防、 处理和决策等工作服务。

为达到上述目的， 本发明的实施例采用如下技术方案： 一种基于关联规则的道路交通事故数据挖掘方 法， 包括： 从道路交通事故的历史数据中获取规定时间范 围和规定路段范 围的历史数据， 作为关联规则挖掘数据；

确定所述关联规则挖掘数据的交通事故属性；

根据所述关联规则挖掘数据，所述交通事故属 性和最小支持度， 获取频繁项集；

根据所述频繁项集和最小置信度， 获取事故关联规则。

一种基于关联规则的道路交通事故数据挖掘装 置， 包括： 数据获取单元， 用于从道路交通事故的历史数据中获取规定时 间范围和规定路段范围的历史数据， 作为关联规则挖掘数据；

属性确定单元， 用于确定所述关联规则挖掘数据的交通事故属 性；

项集获取单元， 用于根据所述数据获取单元获取的关联规则挖 掘数据， 所述属性确定单元确定的交通事故属性和最小 支持度， 获取 频繁项集；

规则获取单元， 用于根据所述项集获取单元获取的频繁项集和 最小置信度， 获取事故关联规则。

本发明实施例提供的基于关联规则的道路交通 事故数据挖掘方 法及装置， 通过从道路交通事故的历史数据中获取规定时 间范围和规 定路段范围的历史数据， 作为关联规则挖掘数据； 确定所述关联规则 挖掘数据的交通事故属性； 并根据所述关联规则挖掘数据， 所述交通 事故属性和最小支持度， 获取频繁项集； 然后， 根据所述频繁项集和 最小置信度， 获取事故关联规则。 因此， 实现了与事故发生的条件因 素相关的有效分析和统计， 进而为交通事故的预防、 处理和决策等工 作服务。

附 图 说 明

为了更清楚地说明本发明实施例的技术方案， 下面将对实施例 描述中所需要使用的附图作一简单地介绍， 显而易见地， 下面描述中 的附图仅仅是本发明的一些实施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附 图。

图 1为本发明实施例提供的一种基于关联规则的� �路交通事故 数据挖掘方法的流程示意图；

图 2为本发明实施例提供的一种基于关联规则的� �路交通事故 数据挖掘装置的构成示意图。

具体 实施方 式

下面将结合本发明实施例中的附图， 对本发明实施例中的技术 方案进行清楚、 完整地描述， 显然， 所描述的实施例仅仅是本发明一 部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域 普通技术人员在没有作出创造性劳动前提下所 获得的所有其他实施 例， 都属于本发明保护的范围。

为了能够实现与事故发生的条件因素相关的有 效分析和统计， 为交通事故的预防、 处理和决策等工作服务， 本发明实施例提供了一 种基于关联规则的道路交通事故数据挖掘方法 ， 如图 1所示， 包括：

101、从道路交通事故的历史数据中获取规定 时间范围和规定路 段范围的历史数据， 作为关联规则挖掘数据；

例如， 预先存储所采集到的道路交通事故的历史数据 。 从存储 的道路交通事故的历史数据中提取一定时间范 围和一定路段范围的 数据， 将提取的数据作为关联规则挖掘数据。 其中， 路段范围可以是 整个市区、 某个辖区或某一条道路。

102、 确定所述关联规则挖掘数据的交通事故属性；

其中， 交通事故属性可以是指道路交通事故发生时， 驾驶员属 性、 车辆属性、 道路属性、 天气属性、 时间属性和事故本身属性的集 合。

关联规则挖掘数据的交通事故属性还可以具有 概念分层， 主要 有三层：

第一层是驾驶员属性， 车辆属性， 道路属性， 天气属性， 时间 属性和事故本身属性。

第二层是第一层的细化， 例如， 驾驶员属性可细化为性别、 年 龄、 驾龄、 驾证种类、 驾驶人员类型、 出行目的等。 其他属性的细化 方式与驾驶员属性的细化方式相似， 在此不再赘述。

第三层是对第二层的更进一步细化， 主要是对道路交通事故每 一属性维的刻度（也就是粒度）进行分析。 例如， 性别属性可细化为 男、 女、 未知。 年龄属性可细化为 1-6岁， 7-9岁， 10-12岁， 13-15 岁， 16-20岁， 21-25岁， 26-30岁， 31-35岁， 36-40岁， 41-45岁， 46-50岁， 51-55岁， 56-60岁， 61-65岁， 65岁以上。 驾龄属性可细 化为 1年及以下， 2年， 3年， 4年， 5年， 6-10年， 11-15年， 16-20 年， 20年以上。 驾照种类属性可细化为正式， 学习， 临时， 正式实习 期， 正式未年审， 农机， 军队， 武警等。 驾驶人员类型可细化为职业 驾驶员， 非职业驾驶员， 非驾驶员等。 出行目的属性可细化为上、 下 班， 道路作业， 职务出行， 运输， 其它工作出行， 上、 下学， 社交活 动， 文娱活动， 观光旅游， 购物， 闲游， 其它生活出行等。

103、根据所述关联规则挖掘数据， 所述交通事故属性和最小支 持度， 获取频繁项集；

在本发明实施例中， 假设 A、 B、 C分别代表规则的前提条件， 则支持度是指在所有的记录中， A、 B、 C同时出现的概率。

上述的交通事故属性的数据模型是多维多层的 ， 而进行多维多 层的数据挖掘是比较繁瑣的， 这里对其进行简化。 即， 在进行关联规 则分析前， 预先指定该维的哪一个层次参与关联分析， 其它层次不参 与关联分析， 从而将问题简化为单纯的多维数据模型的挖掘 。

举例而言， 可以在进行事故关联规则分析之前， 对事故主要原 因选择第三层， 其它维都是单层的， 通过这样的指定， 就可以得到多 维单层的交通事故属性数据， 便于下面的关联分析。

交通事故属性的数据结构一般使用一颗概念层 次树 ( Concept Hierarchy Tree) 来组织。 其中， 概念层次树是指数据库中各属性值 和概念依据抽象程度不同而构成的一个层次结 构。

举例而言， 在概念层次树的建立过程中， 需要选定待分析的交 通事故本身与驾驶员、 车辆、 道路、 天气、 时间等具体选项信息， 然 后采用自顶向下的策略， 由概念层 1开始向下， 到较低的更特定的概 念层，对每个概念层的频繁项集累加计数，直 到不能再找到频繁项集。 即是， 一旦找到概念层 1的所有频繁项集， 就开始在第 2层找频繁项 集， 如此下去， 找到所有概念层的所有频繁项集。

并且， 可以在每一层使用多维 Apr i or i算法发现频繁项集， 以 发现各个因素之间的联系。 其中， Apr i or i算法是一种基于两阶段频 集思想的递推算法。 在这里， 所有支持度大于最小支持度的项集称为 频繁项集。

举例而言， 假设通过上述方法得到多维单层的交通事故属 性数 据， 如 n维数据库 D [D1， D2, ...， Dn] , 并通过用户输入或系统预先存储 获得最小支持度，根据 D [D1，D2， ...，Dn] ,找出所有符合最小支持度的 频繁项集。

另外， 还可以通过用户输入或系统预先存储获得用户 的限制条 件， 该用户的限制条件可以称为第一用户限制条件 。 那么， 可以根据 D [D1， D2，…， Dn] , 找出所有符合最小支持度和第一用户限制条件 的频 繁项集。

104、 根据所述频繁项集和最小置信度， 获取事故关联规则。 在本发明实施例中， 假设 A、 B、 C分别代表规则的前提条件， D 代表规则的结果， 则置信度表示在 、 B、 C同时出现的条件下， 发生 情况 D的概率。

可以在按照步骤 103产生频繁项集后， 通过用户输入或系统预 先存储获得最小支持度， 然后， 根据上一步骤产生的频繁项集得到大 于最小置信度的关联规则， 即事故关联规则。

另外， 还可以通过用户输入或系统预先存储获得用户 的限制条 件， 该用户的限制条件可以称为第二用户限制条件 。 那么， 可以根据 上一步骤产生的频繁项集， 最小置信度和第二用户限制条件。 得到满 足最小置信度和第二用户限制条件的关联规则 ， 即事故关联规则。

获得事故关联规则后， 可以采用文本形式来描述事故关联规则 结果， 例如以 （A , B , C ) →D ( sup; con ) 形式描述， 其中 A、 B、 C 分别代表规则的前提条件， D代表规则的结果， sup和 con表示该规 则的支持度和置信度， 取值均为 0%到 1 00%之间。 当一条规则满足一 定的最小支持度和最小置信度时， 可以认为该规则是比较常见的， 可 信度比较高的。

本发明实施例提供的基于关联规则的道路交通 事故数据挖掘方 法， 通过从道路交通事故的历史数据中获取规定时 间范围和规定路段 范围的历史数据， 作为关联规则挖掘数据； 确定所述关联规则挖掘数 据的交通事故属性； 并根据所述关联规则挖掘数据， 所述交通事故属 性和最小支持度， 获取频繁项集； 然后， 根据所述频繁项集和最小置 信度， 获取事故关联规则。 因此， 实现了与事故发生的条件因素相关 的有效分析和统计，进而为交通事故的预防、 处理和决策等工作服务。

与上述方法相对应地， 本发明实施例还提供了一种基于关联规 则的道路交通事故数据挖掘装置， 如图 2所示， 包括：

数据获取单元 201 , 用于从道路交通事故的历史数据中获取规 定时间范围和规定路段范围的历史数据， 作为关联规则挖掘数据； 属性确定单元 202 , 用于确定所述关联规则挖掘数据的交通事 故属性；

项集获取单元 203 , 用于根据所述数据获取单元 201 获取的关 联规则挖掘数据， 所述属性确定单元 202确定的交通事故属性和最小 支持度， 获取频繁项集；

规则获取单元 204 , 用于根据所述项集获取单元 203获取的频 繁项集和最小置信度， 获取事故关联规则。

进一步地， 所述属性确定单元 202具体包括：

层次存储子单元， 用于存储设定的交通事故属性的层次； 属性确定子单元， 用于按照所述层次存储子单元存储的层次， 确定所述关联规则挖掘数据的交通事故属性。

进一步地， 所述项集获取单元 203具体包括：

项集条件获取子单元， 用于获取最小支持度和第一用户限制条 件； 项集获取子单元， 用于根据所述数据获取单元获取的关联规则 挖掘数据， 和所述属性确定单元确定的交通事故属性， 以及所述条件 获取子单元获取的最小支持度和第一用户限制 条件， 获取频繁项集。

进一步地， 所述项集获取子单元， 具体用于根据所述数据获取 单元获取的关联规则挖掘数据， 和所述属性确定单元确定的每一层的 交通事故属性， 以及所述条件获取子单元获取的最小支持度和 第一用 户限制条件， 获取所述层的频繁项集。

进一步地， 所述规则获取单元 2 04具体包括：

规则条件获取子单元， 用于获取最小置信度和第二用户限制条 件；

规则获取子单元，用于根据所述项集获取单元 获取的频繁项集， 以及所述规则条件获取子单元获取的最小置信 度和第二用户限制条 件， 获取满足所述最小置信度和所述第二用户限制 条件的关联规则； 将获取的关联规则作为事故关联规则。

本发明实施例提供的基于关联规则的道路交通 事故数据挖掘装 置， 通过从道路交通事故的历史数据中获取规定时 间范围和规定路段 范围的历史数据， 作为关联规则挖掘数据； 确定所述关联规则挖掘数 据的交通事故属性； 并根据所述关联规则挖掘数据， 所述交通事故属 性和最小支持度， 获取频繁项集； 然后， 根据所述频繁项集和最小置 信度， 获取事故关联规则。 因此， 实现了与事故发生的条件因素相关 的有效分析和统计，进而为交通事故的预防、 处理和决策等工作服务。

本领域普通技术人员可以理解实现上述实施例 方法中的全部或 部分流程， 是可以通过计算机程序来指令相关的硬件来完 成， 所述的 程序可存储于一计算机可读取存储介质中， 该程序在执行时， 可包括 如上述各方法的实施例的流程。 其中， 所述的存储介质可为磁碟、 光 盘、 只读存储记忆体 （Read-On l y Memory , ROM ) 或随机存储记忆体 ( Random Ac ce s s Memo ry , RAM ) 等。

以上所述， 仅为本发明的具体实施方式， 但本发明的保护范围 并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露 的技术 范围内，可轻易想到变化或替换，都应涵盖在 本发明的保护范围之内。 因此， 本发明的保护范围应以权利要求的保护范围为 准。