1绪论
道路交通事故的影响因素繁多、复杂，涉及到人、车、道路、环境等多个方面，整体上可归为静态因素和动态因素两类。静态因素是一段时间内处于静态或变化较为缓慢的因素，包括路面结构、线形设计、驾驶环境、车辆状况等。动态影响因素是随时间变化而变化的因素，包括交通流因素、气候因素、驾驶人行为等。因而从影响因素角度概括，道路交通事故可表述为人、车、道路、环境等动静态因素頼合失调而导致的人或物同时受到损失的过程。为有效防控道路交通事故，显著降低事故危害，世界各国学者和管理者致力于研宄道路交通事故发生规律，以期通过揭示交通事故影响因素及其作用规律，预测交通事故的发展趋势，构建交通事故预防机制，提高整个道路交通系统安全水平。然而，道路交通事故是小概率随机事件，其发生具有偶然性、模糊性，难以通过实验手段真实反映事故发生过程，亦难以在实验环境中分析各相关因素对事故严重程度的影响效应。因此，在实际研究工作中，道路交通事故分析研究一般以事故历史数据为研究对象，相关理论和方法的提出也多以针对事故历史数据的事后研究为切入点，研究的具体内容包括事故査询、事故统计、事故预测、事故致因分析、交通安全状况评价、安全改善措施等，范围涉及到了从宏观到微观的不同方面。
............
2国内外研究综述
2.1道路交通事故严重程度分析方法
纵观国内外学者近年来在事故严重程度分析领域的研究，正逐步从最早基于统计方法的描述性简单分析向基于多变量复杂建模分析逐步转变。无论是离散选择模型还是智能分类模型，其优缺点都十分明显，分别适用于不同的数据格式和分析需求。离散选择模型对变量之间的关系有预先的假设，一旦实际情况不满足模型假设条件，模型就会产生非常大的误差。而实际的道路交通事故分析问题中变量的情况十分复杂，且存在一定程度的数据噪声或异常点，因此离散选择模型较难适用于复杂问题的处理。与离散选择模型相比，类似于人工神经网络的智能分类模型无需任何先验假设和变量分布要求，通过数据准备过程使模型适用于各种数据类型，且在模型分类准确率和泛化能力上表现更好。但是，基于非参数的智能分类模型也有其固有缺陷。首先，模型在训练过程中完全通过分类准确率来衡量模型的效果，这就使得模型特别容易受到不均衡样本的影响。为了获得全局较高的分类准确率，少数类样本更容易被错误划分。
2.2道路交通事故预测
交通事故预测是对道路交通事故未来的发生状况作出估计和推测，其定量预测方法根据预测范围分为宏观预测和微观预测两种。宏观预测是对国家、区域或城市的事故整体水平进行预测分析。预测目的是分析研究社会经济发展、人口数量变化、汽车保有量、非机动车拥有量以及交通法规政策对交通安全的影响。交通事故宏观预测可对较大区域范围的路网安全进行全面分析，预测交通安全的变化趋势，从而为制定宏观道路交通安全政策，分析、评价区域交通安全形势提供依据。相应的，交通事故微观预测是以发生于路口、路段的小范围事故，或者某一具体事故类型为研究对象，预测着眼点在于通过分析事故发生时的人、车、道路、环境等影响交通安全的因素，最终提出具体的道路安全设计、交通工程设施设置以及交通安全管理手段的指导建议。
3道路交通事故影响因素分析与信息采集.........21
3.1道路交通事故影响因素分析.........21
3.2道路交通事故信息采集现状........26
3.3事故因素指标的统计分布特征分析..............33
4道路交通事故严重程度分类识别模型........41
4.1支持向量机............41
4.2基于TPMSVM的事故严重程度分类识别模型.......50
5道路交通事故时间序列组合预测和趋势分析............65
5.1ARIMA基于和SVM的组合预测模型......65
5.2基于信息粒化SVM的道路交通事故指标趋势分析........79
6基于数据挖掘的道路交通事故致因分析
6.1基于两步BIRCH算法的道路交通事故分布特征挖掘
在数据挖掘领域，聚类分析是研究“物以类聚”问题的一种有效分析方法。聚类与分类的区别在于前者表现为无监督的学习过程，即不事先制定分类标准，而是完全根据数据的特征，按照其性质上的“亲疏程度”进行自动分组，使组内个体的结构特征具有较大相似性，组间个体的特征具有较小相似性。尽管无监督的学习过程可以充分挖掘数据规律，但其结果既包含了有实际意义的规律和无实际意义的规律，因此多数情况下，应用聚类分析方法对数据特征进行分析，除需要根据具体研究目标对数据集进行划分并执行相应的数据预处理外，还需要研究人员依据专业经验对聚类结果进行判别和评估。本章以受伤事故和死亡事故数据为研究对象，利用聚类分析方法，进行道路交通事故的分布特征聚类分析，探宄事故影响因素间的差异性，并通过解读各类事故影响因素的聚类特征，发掘事故因素的分布规律，为提出更具针对性的道路交通安全改善措施提供理论依据。
6.2基于决策树模型的道路交通事故原因分类识别
决策树以其出色的数据分析效率、直观易懂的特点，已在交通领域取得了广泛应用。通过前一节特征聚类分析研究发现，事故原因（违法行为）作为道路交通事故信息数据集中唯一的后期调查指标，与道路交通事故存在密切关联。虽然现行的事故原因指标编码过于强调人的因素以便为后续事故定责和处理提供依据，但从事故倾向角度考虑，该指标中依然包含了大量可挖掘信息，特别是机动车驾驶人违章行为与道路交通事故潜在风险间的关系。因此，本节提出基于决策树的道路交通事故分类识别方法，通过对事故信息数据集的分析，判定与事故原因相关的各种属性变量，实现对事故原因的分类识别。
...........
7研究结论及展望
本文应用数据挖掘技术于道路交通事故数据分析，提出了基于数据挖掘的道路交通事故分析体系，针对交通事故研究中的三个重点问题：事故严重程度分析、事故预测，以及事故致因分析共三个方面展开研究，研究成果主要体现在以下方面：
1. 在国内外研究综述中，针对道路交通事故严重程度分析、事故预测理论与方法以及事故数据挖掘三个方面，从研究思路、模型建立、求解算法等角度进行综述、分析、归纳和总结了国内外相关理论研宄方法与成果。
2. 为实施对数据挖掘十分重要的数据准备过程，重点分析了道路交通事故的人、车、道路、环境等背景因素的分布特征与影响机理。在对背景因素指标所反映物理意义充分认知的基础上研究并比较各国道路交通事故信息采集技术和数据特征的异同，并重点分析了我国现行的道路交通事故信息采集领域，特别是事故信息数据结构的现状和特点，为下一步执行数据准备奠定了基础。
...........
参考文献（略）