WO2011060723A1 - 基于关联规则的道路交通事故数据挖掘方法及装置 - Google Patents

基于关联规则的道路交通事故数据挖掘方法及装置 Download PDF

Info

Publication number
WO2011060723A1
WO2011060723A1 PCT/CN2010/078872 CN2010078872W WO2011060723A1 WO 2011060723 A1 WO2011060723 A1 WO 2011060723A1 CN 2010078872 W CN2010078872 W CN 2010078872W WO 2011060723 A1 WO2011060723 A1 WO 2011060723A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
attribute
association rule
traffic accident
item set
Prior art date
Application number
PCT/CN2010/078872
Other languages
English (en)
French (fr)
Inventor
昝艳
付新刚
贾学力
李建军
Original Assignee
北京世纪高通科技有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 北京世纪高通科技有限公司 filed Critical 北京世纪高通科技有限公司
Publication of WO2011060723A1 publication Critical patent/WO2011060723A1/zh

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Definitions

  • the present invention relates to the field of communications, and in particular, to a road traffic accident data mining method and apparatus based on association rules.
  • the intelligent transportation system is currently the best way to solve the transportation problems in a comprehensive and effective way, especially in traffic congestion, traffic congestion, traffic accidents and traffic pollution.
  • traffic events including accidents, traffic control, etc.
  • China's road traffic conditions are characterized by low road grades, heavy traffic jams, pedestrian interference, and the start of the expressway. Therefore, it is necessary to analyze traffic accidents reasonably, especially using scientific and technological means to accurately grasp the characteristics and trends of traffic accidents, to improve road safety design and to develop road traffic management measures in a targeted manner, thereby reducing the occurrence of road traffic accidents.
  • Embodiments of the present invention provide a method and apparatus for excavating road traffic accident data based on association rules, which can realize effective analysis and statistics related to condition factors of an accident, and serve for prevention, treatment, and decision making of traffic accidents.
  • a road traffic accident data mining method based on association rules including: Obtaining historical data of a specified time range and a specified road segment range from historical data of road traffic accidents, and mining data as an association rule;
  • a road traffic accident data mining device based on association rules comprising: a data acquisition unit, configured to acquire historical data of a specified time range and a specified road segment range from historical data of a road traffic accident, as the association rule mining data;
  • An attribute determining unit configured to determine a traffic accident attribute of the association rule mining data
  • An item set obtaining unit configured to excavate data according to the association rule acquired by the data acquiring unit, and the attribute determining unit determines a traffic accident attribute and a minimum support degree, and acquires a frequent item set;
  • the rule obtaining unit is configured to obtain an accident association rule according to the frequent item set and the minimum confidence obtained by the item set obtaining unit.
  • the road traffic accident data mining method and device based on the association rule provided by the embodiment of the present invention acquires the historical data of the specified time range and the specified road segment range from the historical data of the road traffic accident as the association rule mining data; determining the association The rule mines the traffic accident attribute of the data; and according to the association rule mining data, the traffic accident attribute and the minimum support degree, obtains a frequent item set; and then, according to the frequent item set and the minimum confidence, acquires an accident association rule.
  • effective analysis and statistics related to the conditions of the accident are realized, which in turn provides services for the prevention, treatment and decision-making of traffic accidents.
  • FIG. 1 is a schematic flowchart of a road traffic accident data mining method based on association rules according to an embodiment of the present invention
  • FIG. 2 is a schematic structural diagram of a road traffic accident data mining device based on association rules according to an embodiment of the present invention.
  • the embodiment of the present invention provides a road traffic accident data mining method based on the association rule, as shown in the figure. As shown in 1, including:
  • the road section can be the entire urban area, a certain jurisdiction or a certain road.
  • the traffic accident attribute may refer to a set of driver attributes, vehicle attributes, road attributes, weather attributes, time attributes, and accident attributes when a road traffic accident occurs.
  • the traffic accident attribute of the association rule mining data can also have a concept layering, which mainly has three layers:
  • the first layer is the driver attribute, vehicle attribute, road attribute, weather attribute, time attribute and the attribute of the accident itself.
  • the second layer is the refinement of the first layer, for example, the driver attribute can be refined to gender, year Age, driving age, type of driving license, type of driver, purpose of travel, etc.
  • the refinement of other attributes is similar to the refinement of driver attributes, and will not be described here.
  • the third layer is a further refinement of the second layer, mainly to analyze the scale (that is, the granularity) of each attribute dimension of road traffic accidents.
  • gender attributes can be refined to male, female, and unknown.
  • Age attribute can be refined to 1-6 years old, 7-9 years old, 10-12 years old, 13-15 years old, 16-20 years old, 21-25 years old, 26-30 years old, 31-35 years old, 36-40 years old 41-45 years old, 46-50 years old, 51-55 years old, 56-60 years old, 61-65 years old, 65 years old or older.
  • the driving age attribute can be refined to 1 year and below, 2 years, 3 years, 4 years, 5 years, 6-10 years, 11-15 years, 16-20 years, 20 years or more.
  • the license type properties can be refined into formal, study, temporary, formal internship, formal annual review, agricultural machinery, military, and armed police.
  • the driver type can be refined into a professional driver, a non-professional driver, a non-driver, and the like.
  • Travel destination attributes can be refined into up and down, road work, job travel, transportation, other work trips, upper and lower classes, social activities, recreational activities, sightseeing tours, shopping, leisure trips, other lifestyle trips, etc.
  • the support degree refers to the probability that A, B, and C appear simultaneously in all the records.
  • the data model of the traffic accident attribute mentioned above is multi-dimensional and multi-layered, and the multi-dimensional multi-layer data mining is cumbersome, and is simplified here. That is, before the correlation rule analysis is performed, which level of the dimension is involved in the association analysis, and other levels do not participate in the association analysis, thereby simplifying the problem into a simple multidimensional data model mining.
  • the third layer can be selected for the main cause of the accident, and the other dimensions are single-layer.
  • the multi-dimensional single-layer traffic accident attribute data can be obtained, which is convenient for the following Correlation Analysis.
  • the data structure of traffic accident attributes is generally organized using a Concept Hierarchy Tree.
  • the concept hierarchy tree refers to a hierarchical structure in which the values and concepts of the attributes in the database are different according to the degree of abstraction.
  • a multi-dimensional Apr i or i algorithm can be used at each level to find frequent itemsets to discover the connections between the various factors.
  • Apr i or i algorithm is a recursive algorithm based on the idea of two-stage frequency set.
  • all itemsets with a degree of support greater than the minimum support are called frequent itemsets.
  • the multi-dimensional single-layer traffic accident attribute data such as the n-dimensional database D [D1, D2, ..., Dn]
  • the minimum support is obtained by user input or system pre-storage, according to D [D1, D2, ..., Dn] to find all frequent itemsets that meet the minimum support.
  • the user's restriction condition may also be obtained through user input or system pre-storage, and the user's restriction condition may be referred to as a first user restriction condition. Then, according to D [D1, D2,..., Dn], all the frequent itemsets that meet the minimum support and the first user restriction can be found.
  • the minimum support degree is obtained by user input or system pre-storage, and then the association rule larger than the minimum confidence, that is, the accident association rule, is obtained according to the frequent itemsets generated in the previous step.
  • the user's restriction condition can also be obtained by user input or system pre-storage, and the user's restriction condition can be referred to as a second user restriction condition. Then, according to the frequent itemsets generated by the previous step, the minimum confidence level and the second user restriction condition. An association rule that satisfies the minimum confidence and the second user restriction condition is obtained, that is, an accident association rule.
  • the results of the accident correlation rules can be described in text form, for example, in the form of (A, B, C) ⁇ D (sup; con ), where A, B, C Represents the preconditions of the rule, D represents the result of the rule, and sup and con indicate the support and confidence of the rule, and the values are between 0% and 100%.
  • A, B, C Represents the preconditions of the rule
  • D represents the result of the rule
  • sup and con indicate the support and confidence of the rule, and the values are between 0% and 100%.
  • the road traffic accident data mining method based on the association rule provided by the embodiment of the present invention acquires the historical data of the specified time range and the specified road segment range from the historical data of the road traffic accident as the association rule mining data; determining the association rule mining Traffic accident attribute of the data; and mining data according to the association rule, the traffic accident attribute and the minimum support degree, acquiring a frequent item set; and then acquiring an accident association rule according to the frequent item set and the minimum confidence. Therefore, effective analysis and statistics related to the conditional factors of the accident are realized, and thus serve the prevention, treatment and decision-making of traffic accidents.
  • the embodiment of the present invention further provides a road traffic accident data mining device based on the association rule.
  • the method includes:
  • the data obtaining unit 201 is configured to obtain historical data of a specified time range and a specified road segment range from the historical data of the road traffic accident as the association rule mining data; the attribute determining unit 202 is configured to determine the traffic accident of the associated rule mining data. Attributes;
  • the item set obtaining unit 203 is configured to acquire, according to the associated rule mining data acquired by the data acquiring unit 201, the traffic accident attribute and the minimum support degree determined by the attribute determining unit 202, and acquire a frequent item set;
  • the rule obtaining unit 204 is configured to obtain an accident association rule according to the frequency item set and the minimum confidence obtained by the item set obtaining unit 203.
  • the attribute determining unit 202 specifically includes:
  • a hierarchical storage subunit configured to store a set of traffic accident attribute levels
  • an attribute determining subunit configured to determine a traffic accident attribute of the association rule mining data according to a level stored by the hierarchical storage subunit.
  • the item set obtaining unit 203 specifically includes:
  • An item set condition obtaining subunit configured to obtain a minimum support degree and a first user restriction condition
  • An item set obtaining subunit configured to, according to the association rule mining data acquired by the data acquiring unit, and the traffic accident attribute determined by the attribute determining unit, and the minimum support degree and the first user limit acquired by the condition acquiring subunit Condition, get frequent itemsets.
  • the item set obtaining subunit is specifically configured to use the association rule mining data acquired by the data acquiring unit, and the traffic accident attribute of each layer determined by the attribute determining unit, and the condition acquiring subunit The minimum support obtained and the first user restriction condition are obtained, and the frequent item set of the layer is obtained.
  • rule obtaining unit 204 specifically includes:
  • a rule condition acquisition subunit for obtaining a minimum confidence level and a second user restriction condition
  • a rule obtaining subunit configured to acquire, according to the frequent item set acquired by the item set obtaining unit, the minimum confidence degree and the second user restriction condition acquired by the rule condition obtaining subunit, to obtain the minimum confidence level and the The association rule of the second user restriction condition; the acquired association rule is used as an accident association rule.
  • the road traffic accident data mining device based on the association rule provided by the embodiment of the present invention acquires the historical data of the specified time range and the specified road segment range from the historical data of the road traffic accident as the association rule mining data; determining the association rule mining Traffic accident attribute of the data; and mining data according to the association rule, the traffic accident attribute and the minimum support degree, acquiring a frequent item set; and then acquiring an accident association rule according to the frequent item set and the minimum confidence. Therefore, effective analysis and statistics related to the conditional factors of the accident are realized, and thus serve the prevention, treatment and decision-making of traffic accidents.
  • the storage medium may be a magnetic disk, a optical disk, a read-only memory (ROM), or a random access memory (RAM).

Description

基于关联规则的道路交通事故数据挖掘方法及装置 本申请要求于 2009年 1 1 月 1 9 日提交中国专利局、 申请号为 2 009 1 02 379 3 3. K 发明名称为 "基于关联规则的道路交通事故数据挖 掘方法及装置" 的中国专利申请的优先权， 其全部内容通过引用结合 在本申请中。
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道路交通事故 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道路交通事故 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。

Claims

权 利 要 求 书
1、一种基于关联规则的道路交通事故数据挖掘方法，其特征在于， 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。
2、 根据权利要求 1所述的基于关联规则的道路交通事故数据挖掘 方法， 其特征在于， 所述确定所述关联规则挖掘数据的交通事故属性 包括：
按照规定层次确定所述关联规则挖掘数据的交通事故属性。
3、 根据权利要求 1所述的基于关联规则的道路交通事故数据挖掘 方法， 其特征在于， 所述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， 获取频繁项集包括：
获取最小支持度和第一用户限制条件；
根据所述关联规则挖掘数据， 所述交通事故属性， 所述最小支持 度和所述第一用户限制条件， 获取频繁项集。
4、 根据权利要求 2或 3所述的基于关联规则的道路交通事故数据 挖掘方法， 其特征在于， 所述根据所述关联规则挖掘数据， 所述交通 事故属性， 所述最小支持度和所述第一用户限制条件， 获取频繁项集 包括：
根据所述关联规则挖掘数据， 每一层的交通事故属性， 所述最小 支持度和所述第一用户限制条件， 获取所述层的频繁项集。
5、 根据权利要求 1所述的基于关联规则的道路交通事故数据挖掘 方法， 其特征在于， 所述根据所述频繁项集和最小置信度， 获取事故 关联规则包括：
获取最小置信度和第二用户限制条件； 根据所述频繁项集， 所述最小置信度和所述第二用户限制条件， 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。
6、 根据权利要求 1所述的基于关联规则的道路交通事故数据挖掘 方法， 其特征在于， 所述道路交通事故属性包括驾驶员属性， 车辆属 性， 道路属性， 天气属性， 时间属性和事故本身属性。
7、一种基于关联规则的道路交通事故数据挖掘装置，其特征在于， 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。
8、 根据权利要求 7所述的基于关联规则的道路交通事故数据挖掘 装置， 其特征在于， 所述属性确定单元包括：
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。
9、 根据权利要求 7所述的基于关联规则的道路交通事故数据挖掘 装置， 其特征在于， 所述项集获取单元包括：
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。
1 0、 根据权利要求 8或 9 所述的基于关联规则的道路交通事故数 据挖掘装置， 其特征在于， 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。
1 1、 根据权利要求 7 所述的基于关联规则的道路交通事故数据挖 掘装置， 其特征在于， 所述规则获取单元包括：
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。
PCT/CN2010/078872 2009-11-19 2010-11-18 基于关联规则的道路交通事故数据挖掘方法及装置 WO2011060723A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN200910237933.1 2009-11-19
CN200910237933A CN101739818A (zh) 2009-11-19 2009-11-19 基于关联规则的道路交通事故数据挖掘方法及装置

Publications (1)

Publication Number Publication Date
WO2011060723A1 true WO2011060723A1 (zh) 2011-05-26

Family

ID=42463247

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2010/078872 WO2011060723A1 (zh) 2009-11-19 2010-11-18 基于关联规则的道路交通事故数据挖掘方法及装置

Country Status (2)

Country Link
CN (1) CN101739818A (zh)
WO (1) WO2011060723A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489138A (zh) * 2013-10-16 2014-01-01 国家电网公司 一种输电网故障信息与线路越限信息的相关度分析法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN108717786A (zh) * 2018-07-17 2018-10-30 南京航空航天大学 一种基于普适性元规则的交通事故致因挖掘方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739818A (zh) * 2009-11-19 2010-06-16 北京世纪高通科技有限公司 基于关联规则的道路交通事故数据挖掘方法及装置
CN102034009B (zh) * 2010-12-20 2012-07-18 东南大学 基于当量道路事故数法的事故多发路段鉴别设备
CN102411843A (zh) * 2011-09-21 2012-04-11 中盟智能科技（苏州）有限公司 一种交通事故预防分析系统
CN106126637A (zh) * 2016-06-23 2016-11-16 东软集团股份有限公司 一种交通工具类别识别方法及装置
CN106383920B (zh) * 2016-11-28 2019-11-12 东南大学 一种基于关联规则的重特大交通事故致因识别方法
CN108319658A (zh) * 2018-01-04 2018-07-24 内蒙古物通天下网络科技有限责任公司 一种基于荒漠草原的改进Apriori算法
CN108346007A (zh) * 2018-03-02 2018-07-31 深圳灵虎至真智能科技有限公司 一种基于FP-Growth算法的手机贴标检测数据分析方法
CN108960497B (zh) * 2018-06-27 2021-12-14 南京航空航天大学 一种基于规则挖掘的军事方案优化方法
CN109656969A (zh) * 2018-11-16 2019-04-19 北京奇虎科技有限公司 数据异动分析方法及装置
CN109767617B (zh) * 2018-12-20 2021-02-26 北京航空航天大学 一种基于Apriori的公安交管业务异常数据研判方法
CN109767618B (zh) * 2018-12-20 2020-10-09 北京航空航天大学 一种公安交管业务异常数据综合研判方法及系统
CN109410588B (zh) * 2018-12-20 2022-03-15 湖南晖龙集团股份有限公司 一种基于交通大数据的交通事故演化分析方法
CN110263709B (zh) * 2019-06-19 2021-07-16 百度在线网络技术（北京）有限公司 驾驶决策挖掘方法和装置
CN111210604B (zh) * 2019-10-22 2021-06-15 高新兴创联科技有限公司 基于轨道车运行事件关联模型的异常事件预警方法
CN110969856A (zh) * 2019-12-16 2020-04-07 斑马网络技术有限公司 行车安全预警方法、装置、电子设备及存储介质
CN112270470B (zh) * 2020-10-23 2023-12-05 中国科学院电工研究所 一种危险驾驶场景数据分析方法及系统
CN113792193B (zh) * 2021-08-27 2023-02-28 武汉理工大学 一种面向内河航标的事故数据挖掘方法与系统
CN114170796B (zh) * 2021-11-20 2023-01-10 无锡数据湖信息技术有限公司 算法改进型拥堵传播分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1560129A2 (en) * 2004-02-02 2005-08-03 RAM Consulting Knowledge portal for accessing, analyzing and standardizing data
CN1696952A (zh) * 2005-06-15 2005-11-16 辽宁警官高等专科学校 计算机辅助侦破交通肇事逃逸案件的方法
US20070010933A1 (en) * 2005-07-06 2007-01-11 Thomas Hochkirchen Driving Route Situation Prediction For Vehicle Performance Optimization
CN101042698A (zh) * 2007-02-01 2007-09-26 江苏技术师范学院 一种关联规则及元规则的综合挖掘方法
CN101739818A (zh) * 2009-11-19 2010-06-16 北京世纪高通科技有限公司 基于关联规则的道路交通事故数据挖掘方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1560129A2 (en) * 2004-02-02 2005-08-03 RAM Consulting Knowledge portal for accessing, analyzing and standardizing data
CN1696952A (zh) * 2005-06-15 2005-11-16 辽宁警官高等专科学校 计算机辅助侦破交通肇事逃逸案件的方法
US20070010933A1 (en) * 2005-07-06 2007-01-11 Thomas Hochkirchen Driving Route Situation Prediction For Vehicle Performance Optimization
CN101042698A (zh) * 2007-02-01 2007-09-26 江苏技术师范学院 一种关联规则及元规则的综合挖掘方法
CN101739818A (zh) * 2009-11-19 2010-06-16 北京世纪高通科技有限公司 基于关联规则的道路交通事故数据挖掘方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU, JUN ET AL.: "Traffic Accident Analysis Based on Dada Ming Technology", COMPUTER AND COMMUNICATIONS, vol. 26, 2008, pages 73 - 76 *
SHI, PENG: "Analysis of Road Traffic Accidents Based on Data Ming Approach of Association Rules", MASTER'S DEGREE DISCOURSE OF UNIVERSITY SHANDONG TECHNOLOGY, 18 September 2009 (2009-09-18), pages 28 - 48 *
WANG, YUN ET AL.: "Application of Association Rule in the Analysis of Traffic Accident", SCIENCE TECHNOLOGY AND ENGINEERING, vol. 8, no. 7, April 2008 (2008-04-01), pages 1824 - 1827 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489138A (zh) * 2013-10-16 2014-01-01 国家电网公司 一种输电网故障信息与线路越限信息的相关度分析法
CN103489138B (zh) * 2013-10-16 2016-03-09 国家电网公司 一种输电网故障信息与线路越限信息的相关度分析法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN108717786A (zh) * 2018-07-17 2018-10-30 南京航空航天大学 一种基于普适性元规则的交通事故致因挖掘方法

Also Published As

Publication number Publication date
CN101739818A (zh) 2010-06-16

Similar Documents

Publication Publication Date Title
WO2011060723A1 (zh) 基于关联规则的道路交通事故数据挖掘方法及装置
CN110008413B (zh) 一种交通出行问题查询方法和装置
US20160123750A1 (en) Navigation Systems that Enhance Driver Awareness
US9086292B2 (en) Routing, alerting, and transportation guidance based on preferences and learned or inferred risks and desirabilities
EP2605149A1 (en) N-dimensional locking
CN109643268A (zh) 车载装置、日志收集系统
KR20170044163A (ko) 주행 노선 매칭 방법, 장치 및 저장 매체
CN104331422A (zh) 一种路段类型推测方法
CN103324629B (zh) 面向城市智能交通的语义传感器网络系统及语义传感方法
CN102163225A (zh) 一种基于微博客收集的交通信息融合评价方法
US20110153661A1 (en) Navigation device and database update program
CN105701241A (zh) 一种地理围栏自动修正方法
CN109859505A (zh) 高速站点的预警处理方法、装置、服务器和介质
KR102150280B1 (ko) 도시 하천 관리를 위한 연계 플랫폼
CN103150326A (zh) 面向概率数据流的Skyline查询方法
Sun et al. Exploring injury severity of bicycle-motor vehicle crashes: A two-stage approach integrating latent class analysis and random parameter logit model
CN114530038A (zh) 一种基于时空数据聚类的出行兴趣区域提取方法及系统
CN113641832A (zh) 基于知识图谱面向多源离散数据的林火救援路径规划方法
CN102855272B (zh) 一种微博客蕴含交通信息融合的d-s证据理论方法
Schoier et al. Individual movements and geographical data mining. Clustering algorithms for highlighting hotspots in personal navigation routes
CN105243131B (zh) 路径查询方法及装置
JP6249863B2 (ja) 抽出プログラム、抽出方法、情報処理装置、及び出力制御方法
CN112565322A (zh) 基于车联网的智慧城市多级网络系统
CN107977450A (zh) 基于视频大数据的道路交通分析综合应用平台
WO2023000671A1 (zh) 出行方式的推荐方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10831138

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 10831138

Country of ref document: EP

Kind code of ref document: A1