机器学习作业优质PPT.ppt

机器学习作业优质PPT.ppt

《机器学习作业优质PPT.ppt》由会员分享，可在线阅读，更多相关《机器学习作业优质PPT.ppt（23页珍藏版）》请在冰豆网上搜索。

交通事故的分析对综合治理交通和保证道路交通安全有着重要的作用：

u发现和识别事故高发区域、交叉口和路段；

u可以分析交通事故成因、特征、规律及交通安全工作的薄弱环节；

u可以鉴定某些交通管理方法的实际效果u检验道路交通规划的合理性u可以提供交通管理机构设置的合理性论证资料u可以分析出影响交通安全的诸要因素及其影响的轻重程度，预测交通事故的发展趋势道路交通事故的影响因素分析道路交通系统是现代社会系统的一个重要组成部分。

从人-机-环境系统的角度看，城市道路交通系统主要有人、车辆（机动车、非机动车）和环境（道路环境、交通和自然环境）三个要素组成。

这三个要素本身也是三个子系统。

如同：

在影响交通安全的人、机及环境等因素中，人是造成交通事故的决定因素。

人是交通安全的主体，主要表现在人既是交通事故的制造者，又是交通事故的受害者。

对于众多人为事故的发生，原因是多方面的，主要有机动车驾驶员的思想麻痹，违章驾驶，操作失误；

非机动车驾驶员和行人、乘车人安全意识淡薄，不按规定让行、横穿公路等。

因此，这里所指的作为交通安全主题的人，不仅指机动车驾驶员，还包括非机动车驾驶员以及行人和乘车人员。

机动车对交通安全的影响是最直接的，且非常明显。

纯粹由车辆技术状况不良引起的交通事故比例并不高，但这类事故一旦发生，其后果都是比较严重的。

这类事故的起因通常是由于制动失效、制动不良、转向失效和车辆装载超高、超宽、超载及货物未装牢固所致。

另外，由于长时间的运行过程中对各种机件的反复作用，当超过一定的限度时，车辆也会突然发生故障而造成交通事故。

道路环境的原因：

道路类型、线型标准、道路交叉口类型以及路面条件等技术指标都是保证交通安全的因素；

自然环境的原因：

主要包括时间因素和气候因素，表现在由于季节、时间以及气候等变化，导致交通事故的发生率有所不同；

交通环境的影响：

主要有混合交通模式的影响、交通量的影响、道路监控系统和沿线配套设施的影响。

基于数据挖掘的道路交通事故成因分析模型基于数据挖掘的道路交通事故成因分析模型数据挖掘是从大量记录数据中提取有价值信息的技术，这些被提取出的信息可以帮助相关人员认清当前状况并制定相应的政策。

多维关联规则是数据挖掘中的一项重要技术，它可以做到分解事故诱因，并通过检验合诱因组合引发事故的频繁程度来得到有价值的关联规则表达式。

对关联规则进行挖掘能够发现大量数据的属性之间的相关联系，如果能够发现道路交通事故数据中各种属性的关联，特别是驾驶员属性、车辆属性、道路属性、天气属性、时间属性等可能引起道路交通事故发生的原因因素与事故本身属性的事故类型、事故主要原因、事故形态和现场等可能导致交通事故的结果因素之间的规则，从而得到规律。

道路交通事故属性是指道路交通事故发生时，驾驶员、车辆、道路、天气和时间的状态，以及事故本身的特点。

即驾驶员属性、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。

交通事故属性具有概念分层，主要有三层：

第一层：

驾驶员属性、车辆属性、道路属性、天气属性、时间属性、事故本身属性第二层是第一层的细化：

驾驶员属性=性别、年龄、驾龄、驾照种类、驾驶人员类型、出行目的车辆属性=车辆使用性质、交通方式、行驶状态、所属行业道路属性=公路行政登记、地形、路面情况、路面类型、路口路段类型、道路线型、交通控制方式、照明条件天气属性=晴、雨、雪、雾、风、其他时间属性=小时、星期、月份、季度第三层是对第二层的细分驾龄=一年及以下、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=正式、实习、临时、正式实习期、农机、军队、武警驾驶员类型=职业驾驶员，非职业驾驶员，非驾驶员出行目的=上下班，道路作业，职务出行，运输，社交活动，购物等车辆使用性质=非营运，公路客运，公交客运，货运，租赁，警用，消防，救护，工程抢险车，私用，其他照明方式=白天，夜间有路灯照明，夜间无路灯照明道路交通事故属性数据预处理道路交通事故属性数据预处理对道路交通事故属性数据进行数据清理，保留事故记录中那些导致事故发生的字段和事故结果字段，去除其他字段。

并将属性值映射为整数。

数值字段根据数据的分布分成布尔字段。

如天气晴，阴，雨，雪，雾，风，其他，则天气可被拆分为六个数据项。

分别对应1-晴、2-阴、3-雨、4-雪、5-雾、6-风、7-其他，若该条记录天气值为1，则数据项取值为1，其他项取值为0；

使用预定义的概念分层。

如事故发生时段的概念分层可以分为1-4时，5-8时，、，20-24时，每个区间用一个数据项表示，记录中该字段的值落在的区间对应的数据项取值为1，其余为0.驾龄驾龄1年年2年年3年年4年年5年年6-10年年11-15年年16-20年年20年以上年以上编码123456789星期星期星期一星期一星期二星期二星期三星期三星期四星期四星期五星期五星期六星期六星期日星期日编码1234567照明方式照明方式白天白天夜间有路灯夜间有路灯夜间无路灯夜间无路灯编码123交通控制交通控制方式方式民警指挥民警指挥信号灯信号灯标志及标标志及标线线其他安全其他安全设施设施无控制无控制编码12345交通事故属性数据量化的变化过程属性属性天气天气时段时段驾龄驾龄星期星期月份月份照明方照明方式式交通方交通方式式交通控交通控制方式制方式事故原事故原因因0001晴180.3星期三八月白天汽车民警指挥机动车违法0002阴151.6星期六三月夜间有路灯摩托车信号灯非机动车违法0003晴190.5星期日七月夜间无路灯自行车标志标线行人违法原始交通事故数据集按时段、驾龄划分后的交通事故数据集属性属性天气天气时段时段驾龄驾龄星期星期月份月份照明方照明方式式交通方交通方式式交通控交通控制方式制方式事故原事故原因因0001晴17-200-1星期三八月白天汽车民警指挥机动车违法0002阴13-161-2星期六三月夜间有路灯摩托车信号灯非机动车违法0003晴17-200-1星期日七月夜间无路灯自行车标志标线行人违法按照事故属性层编码后的交通事故数据集属性属性天气天气时段时段驾龄驾龄星期星期月份月份照明方照明方式式交通方交通方式式交通控交通控制方式制方式事故原事故原因因000115138111100022426322220003151773433编码后的交通事故集的描述属性属性天气天气时段时段驾龄驾龄L7.L3L2LL1L6.L3L2L1L9.L3L2L1000100001010000000100020001000100000100003000010100000100从上面的道路交通事故属性数据模型中可以看出，道路交通事故属性模型是多维多层的，对于多层数据模型，在进行关联规则分析前，预先制定该维的哪一层次参与关联分析，其他层次不参与关联分析，从而将问题转化为单纯的多维数据模型的挖掘。

统计数据之后，对不同属性层次的事故形态进行分析事故发生的各种综合原因和结果的相互关联关系。

统计数据后发现，机动车驾驶人违法驾车行为时导致交通事故发生的主要原因，约有72%的道路交通事故责任在机动车驾驶员一方。

其中，未按规定让行的占26.4%，违法上道路行驶占12.8%，逆向行驶占6.3%，酒后驾驶占9.8%，违法掉头占4.2%，无证驾驶占3.2%，超速行驶占3.9%等。

其中未按规定让行、违法上道路行驶、逆向行驶、酒后驾驶、违法掉头和无证驾驶是引发交通事故的六个主要违法行为。

a）晴天事故占绝大比例：

从天气情况看，晴天事故较多，占总数的65.4%。

阴天所发生事故占14.8%，明显多于雨雪天气，雨雪天气都知道要小心驾驶，而阴天人们容易放松警惕；

b）从月统计周期来看，3-4和7-9月事故多发时段；

c）从24小时事故分布情况，9-20点事故多发；

d）从星期分布统计，星期一为交通事故多发日；

基于贝叶斯网络的道路交通事故预测基于贝叶斯网络的道路交通事故预测交通事故预测模型的变量：

X=W,T,DA,WD,M,LW,TW,TA;

其中W表示天气情况，T表示时段，DA表示驾龄，WD表示星期，M表示月份，LW表示照明方式，TW表示交通方式，TA表示交通事故；

各变量对应的值域为：

W=晴，阴，雨，雾，雪T=0-4,5-8,9-12,13-16,17-20,21-24DA=一年以下，2年，3年，.，20年以上WD=星期一，星期二，.，星期六，星期日M=一月，二月，三月，.，十一月，十二月LW=白天，夜间有路灯，夜间无路灯TW=汽车，摩托车，农用车，.，非机动车，其他TA=0，1其中1表示发生交通事故，0表示不发生；

通过之前我们所获得的道路交通事故的统计数据分析，得到所需的相关的概率分布，如：

时段时段1-45-89-1213-1617-2021-24概率分布0.03570.13840.21880.18750.28130.1312驾龄驾龄1年年2年年3年年4年年5年年6-10年年11-15年年16-20年年20年年以上以上概率分布0.14290.13390.09380.03570.05360.14730.01790.0890.045照明方式照明方式白天白天夜间有路灯夜间有路灯夜间无路灯夜间无路灯概率分布0.64290.1830.1741相关先验概率统计后，就可以根据天气、时段、月份、星期、照明方式等预测某个路段发生事故的概率。

不仅可以预测事故发生的概率，还可以提前在频发路段进行设置相关的提示信息，以减少事故的发生。

O（_）OO（_）O谢谢谢谢