PDF《交通事故严重程度 C5.0 决策树预测模型》

收稿日期:

2 0

1 4

0 3

2 0 基金项目: 国家重点基础研究发展(

9 7

3 ) 计划资助项目(

2 0

1 2 C B

7 2

5 4

0 3 ) ;

国家自然科学基金国际合作重大项目(

7 1

2 1

0 0

0 1 ) 作者简介: 孙轶轩(

1 9

8 2 ) , 男, 山西太原人, 工学博士研究生, E m a i l : s q u a l l s y x@1

6 3.

c o m. 第34卷第5期2014年9月 长安大学学报( 自然科学版) J o u r n a lo fC h a n g a nU n i v e r s i t y( N a t u r a lS c i e n c eE d i t i o n) V o l .

3 4 N o .

5 S e p t .

2 0

1 4 文章编号:

1 6

7 1

8 8

7 9 (

2 0

1 4 )

0 5

0 1

0 9

0 8 交通事故严重程度 C

5 . 0决策树预测模型 孙轶轩1 , 邵春福1 , 赵丹2 , 欧阳松寿3 ( 1.北京交通大学 城市交通复杂系统理论与技术教育部重点实验室, 北京

1 0

0 0

4 4;

2.中国人民公安大学 交通管理系, 北京

1 0

2 6

2 3;

3.北京市交通委员会 运输管理局, 北京

1 0

0 0

5 3 ) 摘要: 根据中国现行交通事故严重程度分类与事故信息数据分布特征, 基于 C 5. 0决策树方法, 选取某省会城市城区及周边重点公路1

60 0 9起交通事故现场数据, 分别将事故严重程度输出变量 按照2分类和3分类, 输入变量按照空间属性、 涉事驾驶人及车辆属性和全属性, 建立事故严重程 度预测模型, 生成相应规则集并利用测试样本进行检验和模型对比.研究结果表明: 2分类和3分 类事故严重程度预测模型精度分别为7 0%和6 1%, 多模型综合优度有所提升;

实证规则集揭示了 影响事故严重程度分类的因素主要有, 碰撞类型、 道路属性、 事故致因和驾驶人类型等. 关键词: 交通工程;

交通事故严重程度;

预测模型;

数据挖掘;

决策树;

C 5. 0算法 中图分类号: U

4 9 1.

3 1 文献标志码: A 遄 镒 状

5 . 0镒 SUN Y i x u a n

1 , S HAOC h u n f u

1 , Z HAOD a n

2 , OU YANGS o n g s h o u

3 ( 1.K e yL a b o r a t o r yf o rU r b a nT r a n s p o r t a t i o nC o m p l e xS y s t e m sT h e o r ya n dT e c h n o l o g yo f t h eM i n i s t r yo f E d u c a t i o n , B e i j i n gJ i a o t o n gU n i v e r s i t y , B e i j i n g1

0 0

0 4 4, C h i n a ;

2. D e p a r t e m e n to fT r a n s p o r t a t i o nM a n a g e m e n t , C h i n aP e o p l e '

sP u b l i cS e c u r i t yU n i v e r s i t y , B e i j i n g1

0 2

6 2 3;

3. T r a n s p o r t a t i o nA d m i n i s t r a t i o no f B e i j i n gM u n i c i p a lC o mm i s s i o no fT r a n s p o r t , B e i j i n g1

0 0

0 5 3, C h i n a ) :Basedo nt h ea l g o r i t h mo fC 5. 0d e c i s i o nt r e e , c u r r e n ts e v e r i t yc l a s s i f i c a t i o no ft r a f f i c a c c i d e n t sa n dt h ed i s t r i b u t i o nc h a r a c t e r i s t i c so fa c c i d e n ti n f o r m a t i o nd a t a , t h i sp a p e ru s e dt h e f i e l dd a t ao f

1 6,

0 0 9t r a f f i ca c c i d e n t sw h i c ho c c u r r e di ns o m em a i nh i g h w a y so f t h eu r b a na r e a i n a n da r o u n dac e r t a i nc a p i t a lc i t yt oa n a l y z et h ea c c i d e n ts e v e r i t y , a n de s t a b l i s h e dap r e d i c t i o n m o d e l o f a c c i d e n t s e v e r i t ya c c o r d i n g t o t h eo u t p u t v a r i a b l e sb a s e do nd i c h o t o m ya n d t r i c h o t o m ya s w e l l a s t h e i n p u tv a r i a b l e sb a s e do nt h es p a t i a l a t t r i b u t e s , t h ed r i v e r i n v o l v e d , v e h i c l ea t t r i b u t e s a n dt h eo v e r a l l a t t r i b u t e s . T h r o u g ht h e t e s t , t h i sp a p e rg o t t h ea p p r o p r i a t e r u l es e t a n du s e dt h e t e s t s a m p l e s f o r i n s p e c t i o na n dt h ec o m p a r i s o no fm o d e l s . T h er e s u l t ss h o wt h a t t h ea c c u r a c yo f t h ep r e d i c t i o nm o d e l i na c c i d e n t s e v e r i t y i s7 0% a n d6 1% s e p a r a t e l yb a s e do nd i c h o t o m ya n dt r i c h o t o m y , a n dt h e i n t e g r a t e dg o o d n e s so fm u l t i m o d e l i s i m p r o v e d . T h ee m p i r i c a l r u l es e t r e v e a l s t h a t t h e f a c t o r s i n f l u e n c i n ga c c i d e n ts e v e r i t yc l a s s i f i c a t i o na r em a i n l yt h et y p eo fc o l l i s i o n, r o a d a t t r i b u t e s , a c c i d e n t c a u s a t i o na n dt h e t y p eo fd r i v e r . 5t a b s , 2f i g s ,