道路交通事故大數(shù)據(jù)挖掘分析(更新版)
【正文】 技術和系統(tǒng)功能推廣應用，通過先進的電子通信技術提高行車的安全性。上圖說明事故多發(fā)生Daylight和Darklight，事故發(fā)生和光照條件并無太大關系。 圖1 Kmeans聚類算法流程（2）Apriori算法是一種挖掘關聯(lián)規(guī)則的頻繁項集算法，設置最小支持度和最小置信度，產(chǎn)生頻繁項集，關聯(lián)分析數(shù)據(jù)源，某個項目集的支持度大于或等于最小支持度，則該項目集被標記為頻繁項集。CTCDR允許對數(shù)據(jù)進行復雜的查詢，屬性包括日期、道路位置、道路類型、碰撞類型、傷害程度等。澳大利亞也正在用智能交通系統(tǒng)新技術改善道路安全。通過對交通事故大數(shù)據(jù)挖掘分析，kmeans聚類分析和Apriori關聯(lián)規(guī)則分析交通事故的趨勢和模式，找出事故頻發(fā)的路段和引發(fā)事故的原因以及事故頻發(fā)的高峰期，以數(shù)據(jù)分析結果為依據(jù)，改善交通狀況，減少交通事故，提高交通系統(tǒng)的效率。歐洲的ITS的開發(fā)與應用是與歐盟的交通運輸一體化建設進程緊密聯(lián)系在一起的。事故數(shù)據(jù)的維度包括：日期、事故傷害程度、事故地點和區(qū)域、事故影響因素、事故碰撞類型、天氣條件、路面情況、建設或維護相關、光照條件、路攔等；交通個體數(shù)據(jù)的維度包括：車輛是否是有資格的發(fā)動機型號、車輛類型、車輛制動、車輛機動前綴、車輛機動后綴、駕駛員或行人的年齡、駕駛員或行人是否喝酒和吸毒、車輛出毛病的個數(shù)、首先撞上物體、然后撞上物體。采用Apriori關聯(lián)規(guī)則算法找到引起事故的多因素和各自的占比，運用多維關聯(lián)規(guī)則挖掘方法建立Apriori關聯(lián)規(guī)則挖掘模型，通過找出可能導致交通事故發(fā)生的頻繁因素組合來發(fā)現(xiàn)某些事故發(fā)生的規(guī)律，并將這些規(guī)律作為現(xiàn)實中作出預防舉措的依據(jù)。按路面情況進行聚類，路面情況可分為冰雪、潮濕、平坦等狀況，根據(jù)聚類算法得出結論：平坦路面狀況最多，事故數(shù)也最多，冰雪只在冬季的部分時間和部分路面才出現(xiàn)，發(fā)生事故的比例相對很大，說明冰雪路面易發(fā)生事
畢業(yè)設計相關推薦
鄂ICP備17016276號-1