基于改進(jìn)興趣度度量與Apriori 算法的交通事故多發(fā)點(diǎn)成因分析

王穎志，沈雅婕，王立君

（1.浙江警察學(xué)院交通管理工程系，浙江杭州 310053；2.浙江大學(xué)地理與空間信息研究所，浙江杭州 310028）

0 引言

道路交通事故多發(fā)點(diǎn)（black-spots），是指某個(gè)地點(diǎn)、路段或區(qū)域在一定時(shí)間段內(nèi)發(fā)生的交通事故數(shù)量或事故率超過了既定基準(zhǔn)值［1］。道路交通事故多發(fā)點(diǎn)成因分析的目的是探索事故中多種因素與事故嚴(yán)重程度之間的關(guān)系。常用的分析模型主要有回歸分析模型、神經(jīng)網(wǎng)絡(luò)模型、關(guān)聯(lián)分析模型等［1-4］。Logistic 回歸分析模型用以研究駕駛員、車輛、環(huán)境等因素與交通事故之間的關(guān)系［2，4］。在層次分析模型中，結(jié)合粗糙集理論分別計(jì)算各因素對(duì)交通事故嚴(yán)重程度的影響［5-6］。DELEN 等［3］用神經(jīng)網(wǎng)絡(luò)模型揭示了年齡、性別、是否酒駕等因素與事故嚴(yán)重程度存在顯著相關(guān)性［7］；張志豪等［8］基于長(zhǎng)短期記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)進(jìn)行交通事故風(fēng)險(xiǎn)預(yù)測(cè)。

關(guān)聯(lián)規(guī)則分析能從目標(biāo)數(shù)據(jù)集中發(fā)現(xiàn)隱藏的頻繁模式，并進(jìn)一步推導(dǎo)隱含的規(guī)則、相關(guān)性或因果關(guān)系［9］。規(guī)則集的選擇需要一定的評(píng)價(jià)指標(biāo)，一般采用支持度、置信度、提升度等因子對(duì)關(guān)聯(lián)規(guī)則興趣度進(jìn)行評(píng)價(jià)。文獻(xiàn)［10-12］提出了新穎度、改善度、有效度、影響度等改進(jìn)的評(píng)價(jià)因子。Apriori 算法是最經(jīng)典、最常用的用于發(fā)現(xiàn)頻繁模式的關(guān)聯(lián)規(guī)則算法，已有眾多基于Apriori 算法改進(jìn)的關(guān)聯(lián)規(guī)則方法，使得關(guān)鍵事故因素的關(guān)注度更高［14-16］。

用關(guān)聯(lián)規(guī)則分析各因素之間及其與交通事故多發(fā)點(diǎn)之間的因果關(guān)系，需要建立人、車、環(huán)境、事故之間的關(guān)聯(lián)規(guī)則。本文使用頻數(shù)分析法和改進(jìn)的關(guān)聯(lián)規(guī)則方法對(duì)交通事故多發(fā)點(diǎn)進(jìn)行成因分析，對(duì)比交通事故場(chǎng)景下的成因分析適用性，分析小概率因子對(duì)交通事故的影響，明確評(píng)價(jià)成因與結(jié)果之間的關(guān)聯(lián)程度，為交通管理提供決策支持。

1 基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘算法

Apriori 算法的理論基礎(chǔ)是任何頻繁集的子集都是頻繁集，任何非頻繁集的超集都是非頻繁集［13］。關(guān)聯(lián)規(guī)則是從大量數(shù)據(jù)中挖掘隱藏的、頻繁的組合模式，從數(shù)據(jù)中尋找規(guī)律?？臻g關(guān)聯(lián)規(guī)則的表達(dá)形式如下：

其中，X和Y是謂詞集合，可以是空間謂詞也可以是非空間謂詞，且X∩Y=φ。s%是規(guī)則的支持度，指X和Y在所有空間事務(wù)中同時(shí)發(fā)生的概率，P（X∩Y）。

其中，count（X∩Y）表示X∩Y在交易數(shù)據(jù)庫中出現(xiàn)的頻數(shù)，N表示交易總數(shù)。c%是規(guī)則的可信度，指在所有空間事務(wù)中X發(fā)生的前提下Y發(fā)生的概率P（Y/X）。

非空間謂詞是指一般的邏輯謂詞；空間謂詞是包含空間關(guān)系的邏輯謂詞，包括拓?fù)潢P(guān)系、空間方位關(guān)系和距離關(guān)系3 種。

Apriori 算法的核心思想是用先驗(yàn)知識(shí)預(yù)測(cè)數(shù)據(jù)的關(guān)聯(lián)規(guī)則，通過計(jì)算支持度和可信度發(fā)現(xiàn)頻繁項(xiàng)集，從而找到關(guān)聯(lián)規(guī)則。為降低計(jì)算復(fù)雜度，Apriori 算法利用了以下先驗(yàn)知識(shí)：如果一個(gè)集合是頻繁集，那么其所有子集都是頻繁集；如果一個(gè)集合是非頻繁集，那么其所有超集都是非頻繁集。

Apriori 算法從單元素項(xiàng)集開始，通過組合滿足最小支持度的項(xiàng)集以形成更大的集合。Apriori 剪枝避免了高項(xiàng)候選集的頻繁驗(yàn)證，但會(huì)產(chǎn)生大量候選集和巨大的時(shí)間和空間開銷，這些開銷隨數(shù)據(jù)中不重復(fù)項(xiàng)數(shù)的增加而顯著增加。從候選集中篩選有效的關(guān)聯(lián)規(guī)則，需綜合多種指標(biāo)進(jìn)行判斷。支持度和置信度是2 個(gè)首選指標(biāo)，用于過濾關(guān)聯(lián)規(guī)則，但對(duì)假關(guān)聯(lián)規(guī)則不敏感。假關(guān)聯(lián)規(guī)則意味著“小概率因子?大概率事件”，由于后項(xiàng)發(fā)生的概率大，所獲得的支持度高，同時(shí)前項(xiàng)發(fā)生的概率小，導(dǎo)致置信度偏高，因此雖然該關(guān)聯(lián)規(guī)則符合閾值指標(biāo)，但無法說明前項(xiàng)大概率地導(dǎo)致后項(xiàng)的發(fā)生。

2 面向交通事故多發(fā)點(diǎn)的關(guān)聯(lián)規(guī)則挖掘方法

交通事故受駕駛員、行人等交通參與人的影響，同時(shí)受道路結(jié)構(gòu)、材質(zhì)等通行條件的影響，更與光線、雨、雪、霧等自然環(huán)境息息相關(guān)。利用Apriori 算法從交通事故數(shù)據(jù)中挖掘關(guān)聯(lián)規(guī)則，并進(jìn)行成因分析，存在以下問題：

（1）不能忽略小概率因子對(duì)事故的影響。雖然小概率因子是偶發(fā)的，但可能導(dǎo)致極嚴(yán)重的交通事故，如臺(tái)風(fēng)、凍雨等極端天氣發(fā)生的概率小，但對(duì)交通造成的影響很大。在Apriori 剪枝過程中，小概率因子因支持度過低而被排除。

（2）如何選擇支持度閾值。在剪枝過程中，如何平衡小概率因子的影響和支持度閾值降低導(dǎo)致效率低問題至關(guān)重要。閾值降低產(chǎn)生大量的頻繁項(xiàng)集，從而降低關(guān)聯(lián)規(guī)則的挖掘效率，且小概率因子隱藏于大量的頻繁項(xiàng)集中，難以反映其對(duì)交通事故的影響。

（3）難以篩選得到有效關(guān)聯(lián)規(guī)則。有些關(guān)聯(lián)規(guī)則雖有效，但無法形成解釋事故多發(fā)點(diǎn)成因的因果關(guān)系。

為解決這3 個(gè)問題，本研究改進(jìn)了Apriori 算法以解決支持度閾值降低造成的關(guān)聯(lián)規(guī)則挖掘效率低的問題。為準(zhǔn)確提取小概率因子形成的關(guān)聯(lián)規(guī)則，引入正態(tài)提升度作為相關(guān)性系數(shù)，并建立前后項(xiàng)約束條件過濾不感興趣的關(guān)聯(lián)規(guī)則。

2.1 改進(jìn)Apriori 算法的頻繁集獲取

如果考慮小概率因子，就必須降低支持度閾值。而這可能導(dǎo)致每次迭代產(chǎn)生的候選集均為頻繁集。k項(xiàng)候選集越多，k+1 項(xiàng)候選集將累乘式增加。因此，在迭代初期應(yīng)盡可能地過濾掉非頻繁候選集。

在Apriori 算法中，當(dāng)生成k+1 項(xiàng)候選集時(shí)，通過2 個(gè)只有1 項(xiàng)不同的k項(xiàng)頻繁集產(chǎn)生不重復(fù)的k+1 項(xiàng)候選集。由于1 項(xiàng)頻繁集數(shù)量遠(yuǎn)小于k項(xiàng)頻繁集，因此本文將此過程改進(jìn)為將k項(xiàng)頻繁集和1 項(xiàng)頻繁集連接，生成k+1 項(xiàng)候選集。改進(jìn)前后2 種方法的計(jì)算結(jié)果一致，但循環(huán)遍歷的次數(shù)大大減少。

推論［16］存在k項(xiàng)候選集P，若k-1 項(xiàng)頻繁集中包含P的頻繁集數(shù)小于k-1，則該k項(xiàng)候選集P是不頻繁的。

另外，由于不包含事故評(píng)價(jià)屬性的關(guān)聯(lián)規(guī)則是無貢獻(xiàn)的，可將其從頻繁集中剔除。

改進(jìn)后的Apriori 算法頻繁項(xiàng)集生成步驟如下：

（1）提取某交通事故多發(fā)點(diǎn)的所有交通事故數(shù)據(jù)，建立數(shù)據(jù)庫，并存儲(chǔ)每條交通事故的基本屬性、評(píng)價(jià)屬性和環(huán)境屬性。

（2）掃描事故數(shù)據(jù)庫，匯聚所有事故數(shù)據(jù)中不重復(fù)的因子，作為1 項(xiàng)候選集。

（3）根據(jù)支持度閾值，剪枝1 項(xiàng)候選集，產(chǎn)生1項(xiàng)頻繁集。

（4）在第k次迭代時(shí)，在k項(xiàng)頻繁集的基礎(chǔ)上篩選出k+1 項(xiàng)頻繁集。首先，將k項(xiàng)頻繁集和1 項(xiàng)頻繁集連接，生成k+1 項(xiàng)候選集；其次，判斷該候選集是否包含事故評(píng)價(jià)屬性，若不包含則剔除；再次，統(tǒng)計(jì)k項(xiàng)頻繁集中包含該k+1 項(xiàng)候選集的數(shù)量，若小于k，則判斷其為不頻繁并剔除；最后，根據(jù)支持度閾值剪枝，獲得k+1 項(xiàng)頻繁集。

（5）若k項(xiàng)頻繁集中無項(xiàng)集或只有1 個(gè)項(xiàng)集，則停止迭代。

第（4）步中，k+1 項(xiàng)候選集的生成方法體現(xiàn)了本文對(duì)Apriori 算法的改進(jìn)。對(duì)k+1 項(xiàng)候選集添加2 個(gè)過濾條件，在迭代計(jì)算中盡早排除不感興趣的和不頻繁的候選集，提高關(guān)聯(lián)規(guī)則的挖掘效率。

2.2 基于正態(tài)提升度的關(guān)聯(lián)規(guī)則提取

關(guān)聯(lián)規(guī)則中的相關(guān)性是指前、后項(xiàng)之間的關(guān)聯(lián)程度，關(guān)聯(lián)程度有強(qiáng)弱之分，也有正負(fù)之分。常用的相關(guān)性系數(shù)包括提升度、確信度、規(guī)則興趣度、全置信度和余弦距離等。大部分相關(guān)性系數(shù)均能很好地衡量前后項(xiàng)之間的相關(guān)性，但在交通事故場(chǎng)景中仍存在局限，包括全置信度和余弦距離無法判斷交通事故關(guān)聯(lián)規(guī)則前、后項(xiàng)之間相關(guān)性的正負(fù)；雖然提升度、確信度和規(guī)則興趣度均能確定相關(guān)性的正負(fù)，但無法客觀判斷相關(guān)性是否顯著。

因此，基于以下2 點(diǎn)假設(shè)，引入正態(tài)提升度（normality）［18］：

（1）假設(shè)前項(xiàng)和后項(xiàng)的發(fā)生都是隨機(jī)且服從正態(tài)分布的，則兩者的聯(lián)合服從二元正態(tài)分布，邊際服從一元正態(tài)分布；

（2）假設(shè)總數(shù)N足夠大，根據(jù)拉普拉斯中心極限定理，X項(xiàng)集在N中發(fā)生的頻率趨近于正態(tài)分布

其中，N表示總量。

假設(shè)X和Y獨(dú)立，在某置信水平下，若正態(tài)提升度的絕對(duì)值大于正態(tài)分布在單邊檢測(cè)時(shí)的臨界值，則假設(shè)失敗，即X和Y之間的關(guān)聯(lián)規(guī)則有效。若正態(tài)提升度為正，則X和Y呈正相關(guān)，否則，呈負(fù)相關(guān)。

若X和Y呈正相關(guān)，則表示X對(duì)Y的發(fā)生有推動(dòng)作用；反之，若X和Y呈負(fù)相關(guān)，則表示X對(duì)Y的發(fā)生有抑制作用。對(duì)于交通事故多發(fā)點(diǎn)的成因分析，更關(guān)心促成事件發(fā)生的因素。因此，正態(tài)提升度閾值是正數(shù)，即正相關(guān)的關(guān)系被保留，當(dāng)正態(tài)提升度大于該閾值時(shí)，該關(guān)聯(lián)規(guī)則被定位為強(qiáng)關(guān)聯(lián)。

2.3 前、后項(xiàng)約束的關(guān)聯(lián)規(guī)則過濾

在引入正態(tài)提升度后，從頻繁集中提取關(guān)聯(lián)規(guī)則，應(yīng)判斷頻繁子集與其補(bǔ)集之間的關(guān)聯(lián)規(guī)則是否有效，支持度、置信度和正態(tài)提升度是否均超過了相應(yīng)閾值。

改進(jìn)的Apriori 算法雖然已過濾掉不包含事故評(píng)價(jià)因子的候選集，但候選集在生成關(guān)聯(lián)規(guī)則過程中依然存在產(chǎn)生錯(cuò)誤關(guān)聯(lián)規(guī)則的可能。例如，頻繁集｛上午、下雨、重大事故｝，包含了事故評(píng)價(jià)因子“重大事故”，該候選集中最有效的關(guān)聯(lián)規(guī)則形態(tài)是“上午+下雨?重大事故”。但若不考慮興趣度度量，則會(huì)形成“重大事故?上午+下雨”的無效關(guān)聯(lián)規(guī)則。

本文通過增加前、后項(xiàng)約束的方法對(duì)頻繁集產(chǎn)生的關(guān)聯(lián)規(guī)則進(jìn)行進(jìn)一步過濾，剔除因果關(guān)系錯(cuò)亂的關(guān)聯(lián)規(guī)則。前項(xiàng)約束是關(guān)聯(lián)規(guī)則的前項(xiàng)必不包含事故評(píng)價(jià)因子；后項(xiàng)約束是關(guān)聯(lián)規(guī)則的后項(xiàng)必須只包含事故評(píng)價(jià)因子。因此，關(guān)聯(lián)規(guī)則生成的流程如圖1所示。

圖1 引入前、后項(xiàng)約束的關(guān)聯(lián)規(guī)則過濾流程Fig.1 The association rules filter process introduced the before and after items constraints

3 交通事故多發(fā)點(diǎn)成因分析

3.1 研究區(qū)域概況

選擇2013—2015 年浙江省某市某街道的交通事故為研究對(duì)象，共記錄9 834 則交通事故。事故分布情況見圖2。

圖2 研究區(qū)域交通事故分布Fig.2 Spatial distribution of traffic accidents in the study area

每條記錄包含6 類屬性，其中，基本屬性3 種，時(shí)間屬性6 種，位置屬性2 種，天氣屬性4 種，道路屬性3 種，評(píng)價(jià)屬性5 種，如圖3 所示。

圖3 交通事故數(shù)據(jù)屬性信息Fig.3 Attributes of the traffic accident data

3.2 基于頻數(shù)分析法的交通事故成因分析

頻數(shù)分析法是指變量在整體中出現(xiàn)的頻率，以此評(píng)價(jià)變量的重要程度。通常，在交通事故多發(fā)點(diǎn)成因分析中，頻數(shù)分析法用于衡量因子的影響值，因子的頻數(shù)越大，其對(duì)交通事故的貢獻(xiàn)越大。按照因子性質(zhì)，分為3 個(gè)評(píng)價(jià)屬性，16 個(gè)評(píng)價(jià)因子，其頻數(shù)統(tǒng)計(jì)如表1 所示；除事故編號(hào)和坐標(biāo)外，共有14 個(gè)事故成因?qū)傩裕?1 個(gè)成因因子，部分事故成因因子的頻數(shù)統(tǒng)計(jì)如表2 所示。

表1 事故評(píng)價(jià)因子的頻數(shù)統(tǒng)計(jì)Table 1 Frequency statistics of traffic evaluation accidents factors

3.3 基于改進(jìn)的關(guān)聯(lián)規(guī)則算法的交通事故成因分析

交通事故多發(fā)點(diǎn)成因分析的興趣度度量指標(biāo)，即因子X的概率P（X），指X在交通事故數(shù)據(jù)中出現(xiàn)的概率。因此，興趣度度量指標(biāo)不同于常規(guī)定義。對(duì)于關(guān)聯(lián)規(guī)則“X?Y”，支持度、置信度、正態(tài)提升度均指X的出現(xiàn)對(duì)Y出現(xiàn)的影響。根據(jù)頻繁集中產(chǎn)生強(qiáng)關(guān)聯(lián)且感興趣的規(guī)則，需設(shè)置合理的閾值。為在剪枝過程中保留小概率因子，設(shè)支持度閾值降低為4/N，即小概率因子只要發(fā)生4 次以上便可成為頻繁集。將置信度閾值設(shè)為0.7，當(dāng)正態(tài)分布置信水平為0.001 時(shí)，單邊檢測(cè)時(shí)的臨界值為3.131?；谶@3 個(gè)閾值和前、后項(xiàng)約束條件，從該事故多發(fā)點(diǎn)內(nèi)的交通事故數(shù)據(jù)中進(jìn)行挖掘，其得到11 286 條關(guān)聯(lián)規(guī)則。如此多的關(guān)聯(lián)規(guī)則顯然無法進(jìn)行有效的成因分析，本文根據(jù)評(píng)價(jià)因子對(duì)所有關(guān)聯(lián)規(guī)則進(jìn)行分類，然后對(duì)每類關(guān)聯(lián)規(guī)則依次進(jìn)行正態(tài)提升度-置信度-支持度降序排序。排序越靠前，關(guān)聯(lián)規(guī)則越顯著，對(duì)交通事故成因貢獻(xiàn)越大。

3.4 小概率評(píng)價(jià)因子的貢獻(xiàn)

降低支持度閾值后，小概率事件也會(huì)出現(xiàn)在關(guān)聯(lián)規(guī)則集中。小概率事件可以分為小概率前項(xiàng)和小概率后項(xiàng)。小概率前項(xiàng)可以是諸如雪天等少發(fā)天氣狀況，也可以是極彎道路等情況；小概率后項(xiàng)可以是翻車、同向刮擦等低發(fā)事故類型。在傳統(tǒng)的交通事故多發(fā)點(diǎn)成因分析中，小概率事件往往被忽略，因此對(duì)小概率事件的監(jiān)控、分析和應(yīng)對(duì)預(yù)防相關(guān)研究較少。

本研究采用正態(tài)提升度評(píng)價(jià)前項(xiàng)對(duì)后項(xiàng)的貢獻(xiàn)，以此探究小概率事件對(duì)事故多發(fā)點(diǎn)的影響。將小概率事件設(shè)定為支持度小于5%的1 項(xiàng)頻繁集。由于小概率事件總量較少，在對(duì)其進(jìn)行關(guān)聯(lián)規(guī)則解釋性分析時(shí)，相較于大概率事件存在明顯不足，因此，可從整體進(jìn)行分析。從關(guān)聯(lián)規(guī)則集中選取雪天、鄉(xiāng)鎮(zhèn)建城區(qū)道路、行人作為小概率前項(xiàng)，翻車、逃逸、同向刮擦作為小概率后項(xiàng)進(jìn)行總體分析，得到：

（1）雪天發(fā)生事故的主要是小型客車，長(zhǎng)直省道在強(qiáng)風(fēng)作用下易造成道路濕滑甚至冰凍，當(dāng)小型客車快速通過時(shí)，易發(fā)生側(cè)向碰撞和輕微交通事故。

（2）在鄉(xiāng)鎮(zhèn)道路上，秋冬季或工作日易發(fā)生電動(dòng)自行車人員受傷的交通事故。

（3）行人發(fā)生交通事故多在夏季和工作日，且雨天居多，與電動(dòng)自行車相關(guān)。雨天視野受影響，夏天燥熱天氣下雙方注意力不夠集中，容易造成事故。

（4）東風(fēng)對(duì)翻車事故的誘發(fā)性極高；夏季、工作日中午是事故高發(fā)期。直道上車輛速度較快，駕駛員在夏季尤其是中午時(shí)分容易疲勞駕駛。

（5）交通肇事逃逸多發(fā)生在春季、傍晚和周末，以電動(dòng)自行車為多，此時(shí)交通監(jiān)管力度較弱；傍晚、雨天易發(fā)生逃逸事件，長(zhǎng)路段亦易發(fā)生逃逸事件。其原因可能是春季的傍晚和周末長(zhǎng)直道路上的車輛速度快，天氣昏暗有助于肇事者逃逸。

表2 部分事故成因?qū)傩缘念l數(shù)統(tǒng)計(jì)Table 2 Frequency statistics of traffic causal accident factors（part）

（6）夏季的上午和周末車流量較大，小型客車容易發(fā)生同向刮擦；在縣道上遭遇強(qiáng)風(fēng)的車輛更容易發(fā)生同向刮擦。

4 結(jié)論

所有的交通活動(dòng)均發(fā)生在道路交通系統(tǒng)中，不能簡(jiǎn)單地將一起交通事故看作由某種屬性或某一因子引起。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘領(lǐng)域的重要分支，能從體量巨大的數(shù)據(jù)中高效挖掘數(shù)據(jù)屬性之間的關(guān)聯(lián)性，突破傳統(tǒng)成因分析方法對(duì)海量復(fù)雜數(shù)據(jù)處理速度慢、分析結(jié)果模糊的局限。本研究對(duì)傳統(tǒng)關(guān)聯(lián)規(guī)則算法進(jìn)行了以下改進(jìn)：用改進(jìn)的Apriori 算法提高低支持度閾值情況下的規(guī)則提取效率，引入正態(tài)提升度作為相關(guān)性系數(shù)以突出小概率事件形成的關(guān)聯(lián)規(guī)則，并通過前后項(xiàng)約束過濾掉不感興趣的關(guān)聯(lián)規(guī)則。

頻數(shù)分析法是一種數(shù)理統(tǒng)計(jì)方法，能與其他諸多分析方法，如累計(jì)概率分布法、Logistic 回歸分析法、經(jīng)典貝葉斯方法等相結(jié)合并進(jìn)行拓展，適用于對(duì)任何體量的數(shù)據(jù)進(jìn)行信息提取和分析，但無法考慮屬性之間的內(nèi)在關(guān)聯(lián)。改進(jìn)的關(guān)聯(lián)規(guī)則算法雖然實(shí)現(xiàn)過程較為復(fù)雜，處理速度緩慢，且需反復(fù)調(diào)整興趣度度量指標(biāo)閾值，但其能從數(shù)據(jù)中挖掘多因子之間的內(nèi)在聯(lián)系，更適用于事故多發(fā)點(diǎn)成因分析，可為道路交通安全管理相關(guān)部門提供在復(fù)雜道路環(huán)境下顧及多因子的管理建議。另外，改進(jìn)的關(guān)聯(lián)規(guī)則算法將數(shù)據(jù)范圍縮小至單個(gè)時(shí)空事故多發(fā)點(diǎn)，將分析結(jié)果精確到單一時(shí)空事故多發(fā)點(diǎn)，避免進(jìn)行全區(qū)域成因分析和結(jié)果泛化，方便交通管理相關(guān)部門基于各個(gè)事故多發(fā)點(diǎn)做出不同的評(píng)估和改進(jìn)。

本文的改進(jìn)關(guān)聯(lián)規(guī)則算法基于交通事故多發(fā)點(diǎn)成因分析的應(yīng)用場(chǎng)景，并進(jìn)行了優(yōu)化和拓展，使其在規(guī)則挖掘的效率和興趣度上均有所增強(qiáng)，在有效挖掘的基礎(chǔ)上兼顧了小概率事件對(duì)事故多發(fā)點(diǎn)的影響。

已有研究采用多種興趣度度量方法對(duì)關(guān)聯(lián)規(guī)則進(jìn)行評(píng)價(jià)，由于評(píng)價(jià)指標(biāo)的多樣性，且各個(gè)指標(biāo)均有其自身的含義和適用場(chǎng)景，采用哪些評(píng)價(jià)指標(biāo)，如何使用是關(guān)聯(lián)規(guī)則應(yīng)用于事故多發(fā)點(diǎn)成因分析的一大難題。在后續(xù)研究中，可深入探究現(xiàn)有評(píng)價(jià)因子，形成事故多發(fā)點(diǎn)成因分析場(chǎng)景下的關(guān)聯(lián)規(guī)則評(píng)價(jià)體系。本研究雖然對(duì)Apriori 算法進(jìn)行了改進(jìn)，但運(yùn)算過程中仍會(huì)產(chǎn)生大量候選集，耗費(fèi)大量時(shí)間，需通過調(diào)整興趣度度量指標(biāo)閾值提高關(guān)聯(lián)規(guī)則的挖掘效率。當(dāng)數(shù)據(jù)量越大、數(shù)據(jù)屬性越復(fù)雜時(shí)，算法在額外時(shí)間和工作量耗費(fèi)上的優(yōu)勢(shì)越明顯。未來可利用分布式技術(shù)提升Apriori 算法的計(jì)算效率，并以此為出發(fā)點(diǎn)進(jìn)一步探究提升方法的適用性。