道路交通安全问题是世界上所有国家面临的难题[1]。我国的交通安全形势与其它国家相比更为严重，尤其是近年来越来越多的汽车走进千家万户，交通事故频繁发生， 对社会造成了严重危害。由于每次交通事故的发生具有诸多诱因，在较长时间内一个地区发生的交通事故又具有一定的规律性，因此找出影响道路交通事故发生的因素是解决交通安全问题的关键途径。

一般认为交通事故的发生是由人、车、道路、环境等要素组成的系统失去平衡造成的[2]。国内外关于道路交通事故成因分析的理论主要经历了三个阶段[3]即单因素理论、多因素理论和系统致因理论。单因素理论顾名思义即将交通事故的发生归结为某一因素，主要偏重于人；多因素理论主要从人、车、路三因素分析；系统致因理论在20世纪80年代被提出，主要对多个因素及其关系进行分析研究。近年来对交通事故成因的研究方法主要有故障树[4]、贝叶斯网络[5]等。关于交通事故成因的研究更多的是从管理的角度提出对事故的预防对策，而针对交通事故内在致因的相关性分析则研究较少，对影响事故发生的因素与事故类型之间的联系也没有得到充分挖掘。

本文根据交通事故数据中9种事故类型特征建立多项Logistic回归模型及采用关联规则中Apriori算法对道路交通安全影响因素进行研究。首先对数据进行预处理，对多种事故因素和交通事故类型建立Logistic回归模型，探索交通事故内在致因相关性，找到对交通事故类型有显著性影响的因子；其次，采用关联规则中Apriori算法挖掘人、车、道路、环境多个因素之间的关联对交通事故类型的影响；最后，得出分析结论可为交通相关部门提供参考。

1 数据预处理

研究数据来源于2015年贵阳市56651条交通事故数据及历史天气数据，包含肇事类型、肇事者性别、年龄、驾龄、车辆归属地、违法历史及肇事时间等多个属性。首先对数据进行缺失值分析，如图1所示，由左侧缺失比例可知驾龄、驾校及车辆品牌缺失较多，在15%以上，其他变量缺失较少。对于缺失数据简单采用众数方法进行填补，可降低标准误差，由于数据量较大，填补数据不会对分析结果造成较大影响。

  

图1 交通事故数据缺失值分析

对填补后的数据进行整理，其中时间段划分标准见表1。图2展示了贵阳市10个区域分别发生9种交通事故类型的数目，可知事故类型1(追尾)和事故类型7(未按规定让行)发生次数较多，从上到下曲线分别表示云岩区、南明区和乌当区(接近重合)、花溪区、白云区，可知这几个区发生交通事故次数较多，其他区域如开阳县、修文县等发生交通事故次数较少。

 

表1 时间段划分结果

  

时间段划分时间段100：00～07：00时间段207：00～09：00时间段309：00～12：00时间段412：00～14：00时间段514：00～17：00时间段617：00～19：00时间段719：00～00：00

2 多项Logistic回归模型

2.1 模型介绍

多项指分类数大于等于3的分类因变量，本研究中数据交通事故类型共9类，即因变量有9个取值且无序，而一般的线性回归分析无法准确地刻画变量之间的因果关系，因此可对交通事故类型建立多项Logistic回归模型[6-8]。

同时，东博会为南宁的住宿餐饮带来了巨大的商机，特别是东博会期间，旅游人次剧增，促进了住宿、餐饮业的发展。南宁市住宿、餐饮为吸引外来旅游者，不断融入东盟元素，东盟文化美食节等美食活动得到了旅游者的青睐。

  

图2 交通事故类型统计分布图

一般选取第一个或最后一个类别为基准类别，把第K个类别作为基准类别，则多项Logistic回归模型可表示为K-1个二项Logistic回归模型[9]的形式：

 

(1)

式中，xi=[1,xi1,xi2,…,xiJ]T为第i个观察案例的解释变量，包含J个解释变量，第k个类别的Logistic回归模型的参数为βk=[βk0,βk1,βk2,…,βkJ]T，知有J+1个参数，其中第一个参数为截距项。由此可看出多项Logistic回归模型的系数βkj(j=1,2,3,…,J)的幂指数值exp(βkj)，是衡量解释变量对因变量影响程度的重要指标，是事件发生概率和不发生概率的比值，可据此判断相对危险度。exp(βkj)解释为在控制其他解释变量的条件下，解释变量xij的单位变化对类别与基准类别发生比的影响。发生比率表示影响因素每增加或减少一个单位，各类型分布概率的变化情况，即exp(βkj)<1发生比减少；exp(βkj)=1发生比不变；exp(βkj)>1发生比增加。

2.2 模型求解

对方程(1)进行指数变换，可以把各个类别的概率用基准类别的概率表示，即：

画家顾恺之是东晋时期的著名画家，他曾提出“迁想妙得”的想法，这个想法与“外师造化，中得心源”这个理论的意思是相近的，都是主张要先仔细观察和研究对象，经过深入的了解，然后再经过自己的构思就形成了成功的作品。顾恺之的著名作品《洛神赋图》就体现了这一点，人物处理非常传神，使人们通过鉴赏他的画作可以了解他的思想。

 

(2)

由于所有类别的概率之和为1，由(2)可求得基准类别的概率为：

 

(3)

1.财务风险处理机制不够完善。在进行财务风险控制的时候，通常需要相关工作人员具有一定的工作态度和工作技巧，要保证相关风险控制具有一定的可靠性和真实性。当前我国企业发展都是依靠总公司为相关企业进行财务管理和决策，财政大权基本上是不由企业自主管理的，因此相关企业要是完全依靠总公司来进行财政决策和管理的话，会大大增加总公司的工作压力，也不利于整个企业的发展，所以需要对整个企业的财政决策进行良好的分配和管理，促进企业稳定发展。

为找出Lk(所有的频繁k项集的集合)，通过将Lk-1(所有的频繁k-1项集的集合)与自身连接产生候选k项集的集合，候选集合记作Ck。设l1和l2是Lk-1中的成员。记li[j]表示li中的第j项。假设Apriori算法对事务或项集中的项按字典次序排序，即对于(k-1)项集li，li[1]<li[2]<…<li[k-1]，将Lk-1与自身连接，如果(l1[1]=l2[1])&&(l1[2]=l2[2])&&…&&(l1[k-2]=l2[k-2])&&(l1[k-1]=l2[k-1])，则认为l1和l2是可连接。连接l1和l2的结果是{l1[1],l2[1],…,l1[k-1],l2[k-1]}。

(4)

对多项Logistic回归模型采用极大似然方法进行求解，其似然函数表示为：

 

则可求得参数估计值为：

把(3)中基准类别的概率代入(2),可得各类别概率：

磷酸奥司他韦颗粒剂联合蒲地蓝消炎口服液治疗儿童流感疑似病例的药物经济学评价 ………………… 陈圣洁等（13）：1810

β=argβmax(L)

2.3 模型结果

对肇事者事故类型建立多项Logistic回归模型，显著性0.001<0.05，模型通过检验，皮尔逊卡方检验的拟合优度为0.865，接近于1，说明模型对原始数据的拟合通过检验且拟合效果较好。

一般认为，当VIF>10时，认为变量间存在较严重的共线性，由表2可知11个变量的方差膨胀因子均在1左右，共线性较弱。此外，条件索引在10～30之间认为具有弱共线性，在30～100之间认为具有中等共线性，大于100认为具有严重共线性。由表2知11个变量的条件索引均小于30。综合来看，选取的11个解释变量均通过多重共线性检验，可对其进行建模。

 

表2 解释变量多重共线性诊断结果

  

解释变量VIF条件索引肇事地点1．0491．000肇事者性别1．0205．526肇事者年龄1．0235．909肇事者驾龄1．0087．831车辆归属地1．0178．182车辆颜色1．0498．364驾校1．0189．500车辆品牌1．0069．748违法历史1．00111．585肇事时间1．00213．548天气情况1．00019．283

在对9种事故类型建立多项Logistic回归模型之前，首先对自变量间的多重共线性进行检验，本文采用方差膨胀因子(VIF)[10]和条件索引来综合判别多重共线性，对共线性较强的一些变量只保留一个，如对天气情况中风力风向等属性只保留是否下雨。筛选后的变量及共线性诊断结果见表2。

由表3似然比检验显著性知，肇事者年龄、性别、肇事地点、车辆颜色、车辆品牌、肇事者驾龄，这些变量对模型构成均有显著性贡献。

通过以上分析和论述可知，目前我国高校学生党建工作科学化过程中，还存在很多问题，这些问题严重影响了党建工作科学化水平的提高。因此，为了进一步促进高校学生党建工作，必须提高高校学生党建工作的科学化水平。

 

表3 多项Logistic回归模型似然比检验

  

似然比检验效果卡方df显著性肇事者年龄∗∗∗287．504240．000肇事者驾龄∗∗24．085160．088违法历史17．694160．342肇事时间4．38180．821肇事地点∗∗∗289．600720．000肇事者性别∗∗∗40．66080．000车辆归属地3．43280．904车辆颜色∗∗∗123．805720．000驾校∗∗∗100．409720．015车辆品牌∗∗∗301．9681600．000天气状况6．62580．578

注：**、***分别表示在5%和1%的水平上显著。

通过对56651起交通事故数据建立多项Logistic回归模型，得到道路交通安全影响因素(11种)与事故类型(9种)的回归结果如表4所示，这里仅列举事故类型1(追尾)和事故类型2(逆行)的部分分析结果。其中B为模型变量的回归系数，正负分别表示自变量对交通事故类型有正影响与负影响，Wald值是对偏回归系数进行Wald检验的结果，Exp(B)为每个自变量的优势比。

（2）移民政策研究。日本向中国东北移民历时达40年之久，关于日本移民政策的研究是该领域的重点，中国学者试图从日本移民政策制定背景和转变过程的视角对日本帝国主义的侵略本质进行客观描述和揭示。相关研究有日本侵华期间 “大陆新娘”政策述评；青少年移民政策探析；满洲移民政策的战略意图和本质研究；日伪时期朝鲜移民我国东北的原因探析等。

由事故类型1的分析结果可看出对于驾驶员因素，男性发生交通事故的优势比大于1，表明男性比女性更易发生追尾事故。对于道路因素，开阳的优势比最大为5.383，可知危险程度相对较高，与开阳地型地貌变化多样，地型起伏大，易发生追尾事故有关。

 

表4 事故因素和事故类型的多项Logistic回归分析结果

  

事故影响因素事故类型1(追尾)事故类型2(逆行)B标准误WaldExp(B)B标准误WaldExp(B)时间-0．0030．0040．5960．997-0．0020．0160．0210．998肇事者性别男0．2730．07015．0921．314男0．6190．3213．7260．991女0b．．．女0b．．．0～2年-0．0500．0540．8600．9510～2年-0．0310．1940．0260．969肇事者驾龄2～5年-0．1280．0604．5570．8802～5年-0．0920．2190．1780．9125年以上0b．．．5年以上0b．．．不经常-0．0240．1090．0500．976不经常-0．3260．4630．4940．722违法历史经常0．1460．5360．0741．157经常-12．1460．9400．0000．000005无违法0b．．．无违法0b．．．老年-0．6020．2635．2350．548老年-12．1233．0810．0010．000005肇事者年龄青年0．2440．04431．1151．276青年-0．0510．1580．1030．951中年0b．．中年0b．．．新天0．1630．1960．6941．177吉源0．0460．4450．0111．047肇事者驾校鑫鑫0．2800．2001．9461．323鑫鑫0．2880．6200．2161．334︙︙︙︙︙︙︙︙︙︙自培0b．．．自培0b．．．车辆归属地非贵A-0．0100．0470．0480．990非贵A0．0070．1700．0021．007贵A0b．．．贵A0b．．．黑色-12．0050．7143．1100．000006黑色-0．2012．8220．0000．818车辆颜色灰色-11．2060．9295．5610．000013灰色1．2602．8220．0003．527︙︙︙︙︙︙︙︙︙︙棕色0b．．．棕色0b．．．长城0．4200．1904．9011．521别克1．4280．8153．0714．170车辆品牌东风日产0．4570．2174．4391．579长安1．4200．7533．5574．135︙︙︙︙︙︙︙︙︙︙雪佛兰0b．．．雪佛兰0b．．．开阳1．6831．0142．7565．383花溪0．3240．2411．8041．383肇事地点修文0．4571．0480．1901．580修文2．7401．4233．71115．493︙︙︙︙︙︙︙︙︙︙云岩0b．．．云岩0b．．．天气情况无雨0．0560．0411．7971．057无雨-0．0820．1550．2800．921有雨0b．．．有雨0b．．．

由事故类型2，对于驾校因素，驾驶员所报考驾校如鑫鑫驾校等，对事故率有正影响，优势比为1.334。对于车辆因素车辆颜色为灰色的优势比较大，为3.527，可能与灰色车辨识度较低有关。别克牌和长安牌汽车对事故率有较大的正影响，优势比分别是4.17、4.135，可知危险度相对较高，该类品牌车辆车型繁多，危险性是否与车辆品牌安全性能有关，有待进一步考证；对于道路因素，修文的优势比最大为15.493，可能与修文奇特的地势及驾驶员安全意识薄弱有关。

3 关联规则

关联规则挖掘[11]是数据挖掘中最为活跃的研究方向之一，其本质是挖掘大量数据中项集之间的关联，由Agrawal[12]等人于1993年首次提出。关联规则算法不需要对原始数据进行训练，是一种无监督的机器学习方法，可以挖掘出数据中的潜在关系。设A是一项集，事务T包含A当且仅当A⊆T，则关联规则是形如{A}⟹{B}的蕴涵式，其中A⊆I和B⊆I分别称为这条规则的左手边项集(Left-hand-side, LHS)和右手边项集(Right-hand-side, RHS)且A∩B=∅。理解为“在相同的事务中，当A中的事件发生时，B中的事件也发生”。如对事故类型1关联结果中的规则：{东北风/东北风,男,起亚牌,青年,时间段2} =>{事故类型1}，花括号中的Item集合即为项集，箭头左边为左手边项集，箭头右边为右手边项集且两者不能有交集。

当前对关联规则强度的度量主要是支持度(support)、置信度(confidence)和提升度(lift)。支持度衡量了项集在整个事务集中出现的频率，为A和B同时发生的概率，即Support(A⟹B)=P(A∪B)。置信度为发生B的条件下项集A发生的概率，即

刘晓璐等研究了近红外光谱无损快速检测蓝莓花色苷含量的技术，结果表明，在波长400-2500nm光谱范围内，应用偏最小二乘法建立蓝莓花色苷含量的定标数学模型，相关系数为0.7503，校正标准误差4.688mg/100g。说明近红反射技术可用于无损快速检测蓝莓中花色苷含量[33]。

Confidence(A⟹B)提升度体现了规则的可靠性，即

作物转入外源基因使作物生长势、越冬性和抗性得到明显提升，转基因作物发生基因漂流，对逆境有极强适应性，其后代发挥外源基因的优势与原有种成竞争关系[17]。此外，若近缘种是杂草，基因漂流的结果可能产生携带抗性基因的杂草，由于失去天敌克制，沦为恶性杂草，从而占据生存空间。1998年加拿大发现部分油菜可以抗1～3种除草剂，只能用毒性更大的除草剂才能杀灭[18]。转基因作物向非转基因作物进行基因漂流时，携带外源基因的后代可能产生抗性积累，致使除草剂使用增加、土壤污染、生物多样性遭到破坏[19]。由此可见，转基因作物大规模种植可能会给植物群落造成极大的负面影响，导致生物入侵。

Lift(A⟹B)

南一环站、芜湖路站均为主体宽约13 m的岛式站台车站，两层三跨结构;覆土厚约3.2～4.1 m，底板分别位于粉细砂层和强风化泥质砂岩中。高架主桥桥墩承台高2.5 m，置于车站顶板上。水阳江路站为主体宽度为11 m的岛式站台车站，车站为双层双跨矩形框架结构;覆土厚度约3 m，底板位于黏土层，高架匝道桥桥墩置于车站顶板上。三站均位于车水马龙的城市主干道上，车站周边高楼林立，最近的高层建筑距车站基坑仅约5 m。合肥轨道交通1号线芜湖路站与高架桥同位合建单平面如图1所示。

3.1 Apriori算法

(3)产生关联规则

(1)连接

数学知识的编排既要符合知识本身的发展规律，又要符合学生的认知规律。在小学数学教材中，知识编排常常散布于不同年段，学生习得的知识点往往以“碎片化”的方式贮存。唯有及时地梳理和盘点，才能将“碎片化”的知识点穿成线、集成块、连成网，[2]使学生的经历由知识结构走向认知结构的过程。

(2)剪枝

Ck是Lk的超集，即Ck的成员可能是也可能不是频繁的。通过扫描所有的事务，确定Ck中每个候选的计数，判断是否小于最小支持度计数，如果大于最小支持度计数，则认为该候选成员是频繁的。

Apriori算法[13-14]是关联规则数据挖掘的经典方法，该算法使用逐层搜索迭代，利用k项集来探索(k+1)项集。首先，确定频繁1项集的集合，记作L1，利用L1确定频繁2项集的集合L2，利用L2确定L3，…，如此下去，逐层迭代，直到不能找到频繁k项集，每次迭代确定Lk都需要一次数据库扫描。频繁项集的所有非空子集都必须也是频繁的性质[12]，可以用于压缩搜索空间，从而提高频繁项集逐层产生的效率。其次，Apriori算法产生关联规则需要进行连接、剪枝和产生关联规则三个步骤。利用频繁项集构造强关联规则且这些关联规则必须满足用户设定的最小置信度(confidence)和最小支持度(support)。Apriori 算法产生关联规则有三个步骤：

(a)对于每个频繁项集l，产生l的所有非空子集。

江西省委、省政府领导高度重视采砂管理工作，省领导多次就采砂管理工作作出批示。省政府成立了分管副省长任组长的采砂管理工作领导小组，协调处理采砂管理的相关问题。南昌市成立了以市长为组长、五位市领导为副组长的采砂管理领导小组，单独设立市采砂办，协调水利、公安、交通等部门进行联合执法，联合执法有力地查处了一批渎职受贿公职人员；九江市抽调各部门和下辖市县力量组建采砂办，专门成立参照公务员管理的九江市河道采砂管理局，对湖区采砂实行统一管理。

(b)对于l的每个非空子集s，如果则输出规则support_count(s)：“s⟹(l-s)”。其中，min_conf是最小置信度阈值。

Apriori算法进行数据挖掘时先是设定一个最小置信度和最小支持度，规则的置信度和支持度均在0%和100%之间，这里重点需要调试这两个参数，以达到缩小规则数量的目的。

3.2 关联结果分析

采用R语言中arules包以事故类型1和事故类型7为例进行关联，其他事故类型类似。

本文中的层次分析法为改进后的层次分析法[10-11]，主要思想是将聚类分析方法[12]的主要思想融入到层次分析法当中，然后依据每个指标的容量从而确定相应指标权重；并且根据相关判断矩阵的一致性程度从而判断指标权重，最后将两者结合得到最终的指标权重，最后与专家个体排序向量进行加权从而确定指标权重。因此，本文的层次分析法在考虑专家宝贵经验的同时，也应用统计分析方法中的聚类分析法以提高方法的准确性及尽量除去太多主观因素，从而提升该方法的可靠性。

综合分析人、车、道路、天气因素对交通事故的影响，根据关联规则挖掘数据的结果，通过提升度进行排序，在提升度最高的规则中分析可行部分。

对事故类型1挖掘出来的关联规则以提升度lift排名前5条进行展示，见表5。如第二条规则可解读为以72%以上的置信度可确定无违法历史的男司机在开阳县发生追尾事故的情况约是其他情况的2.5倍，其他规则类似可进行分析。

 

表5 事故类型1关联表

  

rules supportconfidencelift{开阳县，男，温差较小}=>{事故类型1}0．000350．74074072．5140{开阳县，男，温差较小，无违法历史}=>{事故类型1}0．000350．74074072．5140{开阳县，温差较小}=>{事故类型1}0．000370．72413792．4576{开阳县，温差较小，无违法历史}=>{事故类型1}0．000350．71428572．4242{东北风/东北风，男，起亚牌，青年，时间段2}=>{事故类型1}0．000440．69444442．3568

图3为事故类型1的关联规则特征组成图，颜色越深表明提升度越高，关联性越强，可知开阳县、无违法历史、长城牌、青年等特征与事故类型1关联较强。

图4为关联规则的平行坐标图展示，颜色越深代表提升度越高，由图可知具有3个及以上因素若造成交通事故则发生事故类型1的概率较大，如倒数第二条解读为未参与驾校培训具有0～2年驾驶经验的非贵A新手男司机在时间段2(7:00～9:00)，若发生交通事故则发生“追尾”事故的情况概率较大。

  

图3 事故类型1的关联规则特征组成图

对事故类型7挖掘出来的关联规则以提升度lift排名前5条进行展示，见表6。如第二条规则可解读为以75%的置信度可确定十一培驾校的男司机驾驶长安牌汽车在时间段4(12:00～14:00)有雨的天气下发生事故类型7(未按规定让行)约是其他情况下的2.85倍。

  

图4 事故类型1的关联规则平行坐标图

 

表6 事故类型7关联表

  

rules supportconfidencelift{东南风/东北风，非贵A，男，时间段3，中年}=>{事故类型7}0．000520．7501．851{男，十一培，时间段4，有雨，长安牌}=>{事故类型7}0．000520．7501．851{白色，东北风/东北风，十一培，时间段5，星期五}=>{事故类型7}0．000560．7441．837{十一培，时间段4，无违法历史，有雨，长安牌}=>{事故类型7}0．000510．7431．835{东南风/东北风，非贵A，时间段3，中年}=>{事故类型7}0．000520．7321．806

  

图5 事故类型7的关联规则分组图

图5展示了事故类型7关联规则的分组图，圆圈尺寸的大小表示支持度，圆圈的颜色深浅表示提升度。从图中可清楚的看出时间、风力、长安牌汽车、非贵A等属性与事故类型7关联性较强。

4 结论

论文通过对贵阳市交通事故数据建立多项Logistic回归模型，拟合效果较好，分析了单因素对交通事故类型的影响，结合关联规则中Apriori算法挖掘了多个因素的关联作用对事故类型的影响，全面分析了影响道路交通安全的因素，可为交通相关部门提供管理依据，部分分析结论如下：

(1)男性青年驾驶员发生追尾的事故率较高；女性若发生交通事故，依法负全责的情形较多；驾龄在5年以上、无违法历史的中年驾驶员因逆行发生的事故率较高。

(2)开阳县由于追尾发生交通事故的概率较高，修文县由于逆行发生的交通事故概率较高。

（3）表面活性剂的吸附浓度随着表面活性剂浓度的增加而逐渐增大。吸附浓度的增加使得采出程度和含水率降幅都有十分明显的增加，表面活性剂吸附作用对驱油效果影响较大，在无碱二元驱过程中应该重点考虑表面活性剂的吸附作用。

(3)青年男司机、无违法历史、开阳县、云岩区与“追尾”事故关联度较高；十一培驾校、风力风向、时间段、长安牌汽车、中年司机与“未按规定让行”的关联度较高。

(4)车辆颜色对交通事故发生也有显著性影响，如逆行事故中灰色车的事故率较高，推测和人的视觉有关，可进一步分析研究。

参考文献：

[1]刘勇. 基于贝叶斯网的道路交通事故分析[D].长沙：长沙理工大学,2009.

[2]洪国,周立,鲁光泉.中国道路交通安全现状、成因及其对策[J].中国安全科学学报,2004,14(8):34-38．

[3]孙平,宋瑞,王海霞.我国道路交通事故成因分析及预防对策[J].安全与环境工程, 2007,14(2):97-100.

[4]胡艺馨,刘唐志.长大下坡伤亡事故致因故障树分析[J].科技通报,2017,33(06):238-241.

[5]Mbakwe A C, Saka A A, Choi K, et al. Alternative method of highway traffic safety analysis for developing countries using Delphi technique and Bayesian network[J].Accident Analysis & Prevention,2016,93(1): 135-146.

[6]王世通,杨艳红.基于多项Logistic回归的地铁应急疏散行为影响因素分析[J]. 城市轨道交通研究,2014,17(05):73-76+80.

[7]Geraghty D, O’Mahony M. Urban Noise Analysis Using Multinomial Logistic Regression[J]. Journal of Transportation Engineering,2016, 142(6): 04016020.

[8]刘亚洲.基于方差分析与Logistic回归模型的公路交通事故率研究[J]. 公路交通技术,2016(06):144-147.

[9]孟生旺.回归模型[M].北京:中国人民大学出版社,2015.

[10]刘钢,宋亚倩.基于有序Logistic回归的水库移民住房感知实证研究[J]. 长江流域资源与环境,2017,26(04):519-529.

[11]Gupta M,Solanki V K, Singh V K. A Novel Framework to Use Association Rule Mining for classification of traffic accident severity[J]. Ingeniería solidaria, 2017, 13(21)：37-44.

[12]Agrawal R,Imieliński T, Swami A. Mining association rules between sets of items in large databases[C]//Acm sigmod record. ACM, 1993, 22(2): 207-216.

[13]李渊韬,张 楠,刘 峰，等.基于信息论优化的Apriori算法在交通事故分析中的应用[J].信息系统工程,2016(10):80-84.

[14]Huh J H, Kim H B, Kim J. A Method of Modeling of Basic Big Data Analysis for Korean Medical Tourism: A Machine Learning Approach Using Apriori Algorithm [C]//International Conference on Information Science and Applications. Springer Singapore, 2017:784-790.