全文总字数：4011字

基于数据挖掘的重大交通事故的驾驶员特征分析及模型研究

文献综述

1. 引言

国民经济的快速发展将促进人员和物资流动的增长，从而对公路运输的需求不断增长，促进了交通行业的飞速发展。高速公路作为公路运输的一种特殊形式，是交通现代化的重要标志，再加上顺畅的线形,宽阔的车道,全封闭、全立交的交通控制以及各种有效的交通安全设施,为车辆提供了良好的行车条件,一定程度上改善了我国的交通运输状况道路，但是交通安全问题更是日益严重。近年来,我国的道路交通安全形势不太平稳,一一般交通事故很多，重特大道路交通事故也依旧时有发生,对生命财产造成了巨大的损失。目前,国内外关于道路交通事故特征和影响因素的研究成果较多,但主要侧重于一般交通事故。相比于一般交通事故,重特大道路交通事故是否存在着特殊的分布特征,影响因素间是否有更复杂的潜在规律,研究也不够全面深入。因此,深入开展重特大道路交通事故特征和影响因素分析研究,对于提高此类事故预防工作的针对性和有效性具有重要的现实意义和理论价值。道路环境、人员以及车辆都是道路交通安全行驶的重要影响因素，而机动车驾驶员人为因素，是导致重大交通事故形成，并产生事故伤害的内因。在车辆设计，道路建设都已经难以对事故预防有突破性进展的情况下，驾驶员特征研究得到了越来越多的关注，有更多的数据表明机动车驾驶员人为因素是导致交通事故形成，并产生事故伤害的最主要原因。为了有效的对汽车重大交通事故进行防控，降低事故发生的概率，对以往重大交通事故驾驶员特征进行统计和分析并建立模型，以此为基础提出有效管控措施，切实减少重大交通事故的发生。

本课题采用关联规则和贝叶斯网络两种挖掘方法对近5年交通事故案例数据进行分析。分析交通事故发生的频繁因素,找出主要的特征参数，发现交通事故数据中存在的潜在规律,建立特征模型深入分析，从而为交通事故预防和管理提供对策支撑，降低特大恶性事故提供依据。

二．国内外研究情况

1. 国内研究现状

国内对利用数据挖掘的方法进行交通事故的主要因素的分析已经有了一系列的研究。以深圳和乌鲁木齐两个城市为例，采用数据挖掘的方法分析道路交通事故:

2018年公安部道路交通安全研究中心的支野，王大珊，丛浩哲，饶众博，基于深圳市2014—2016年交通事故数据，采用关联规则分析、贝叶斯理论等大数据挖掘方法，探索性地提出对道路交通数据缺失数据项的填补、事故伤亡特征因子的甄别以及事故危险性分类评价方法。结果表明，该方法可有效提高道路交通事故数据完整性和事故伤亡特征因子甄别准确性，以及量化交通事故危险度评价。获取深圳市 2014—2016 年交通事故相关数据包括：1)事故描述数据；2)事故涉事人员信息数据；3)路网地图数据；4)以日为单位的天气数据。经统计，深圳市交通事故信息数据表共有属性项68项，人员信息数据表共有属性项88项。为了更好地开展事故数据深度挖掘，主要进行以下预处理工作：数据融合；数据清洗；数据编码^[4] 。本人认为作者考虑到深圳城市发展与交通管理政策，并未对深圳特区内外分别进行研究，有一定的局限性。以另一个经济政策完全不同的城市乌鲁木齐为例：新疆农业大学的赵佳炜先对乌鲁木齐市2014年至2016年上半年道路交通事故的原因构成、时间和空间分布特征进行分析，然后运用关联规则对事故结果作进一步的分析，找出了容易导致事故发生的频繁因素组合，总结出事故多发的原因和规律。依据关联规则将事故结果分为财产损失事故、伤人事故、死亡事故，设置最小支持度和最小置信度为5%和30% ，对乌鲁木齐进行关联分析发现：夜里醉酒驾车是造成乌鲁木齐财产损失事故的主要原因，在早晚高峰时段驾驶员未按规定让行是造成乌鲁木齐伤人和死亡事故的主要原因。^[1]

本文将学习借鉴以上学者研究成果，结合实际情况对重大交通事故中驾驶员特征因素做合理的分析。