BACK TO PROJECTS ↗

DATA MINING & DATA ANALYSIS

TRAFFIC ACCIDENT
ASSOCIATION RULES.

R / DATA PREPROCESSING / APRIORI

台中市交通事故 Apriori 關聯規則分析成果

01 / OVERVIEW

PROJECT OVERVIEW

DISCOVERING
ACCIDENT ENVIRONMENT PATTERNS.

本專題以政府資料開放平台的 A1、A2 類道路交通事故資料為基礎, 先整合全台原始資料,再篩選臺中市資料進行分析。 我的研究主題聚焦於道路型態、事故位置與事故環境因子, 透過敘述統計與 Apriori 關聯規則分析,探索不同事故環境條件 在資料中的共現關係。

PROJECT TYPE Data Mining
ANALYSIS METHOD Apriori Association Rules
PROGRAMMING R / R Markdown
STUDY AREA Taichung City

02 / MY CONTRIBUTION

MY ROLE & CONTRIBUTION

01

資料前處理

使用 R 讀取並合併不同年度的 A1、A2 事故資料,依發生地點篩選臺中市紀錄,並輸出整理後的資料。

02

道路環境統計

整理道路型態、車種、天候與光線等欄位,計算類別次數及年度分布,並製作統計圖表。

03

關聯規則分析

使用 arules 套件將類別資料轉換為 transactions,執行 Apriori 演算法並整理符合門檻的關聯規則。

本頁「個人貢獻」依據本人提供的三份 R Markdown 程式碼整理; 專題其他成員的研究主題不列為個人獨立成果。

03 / TECHNOLOGY

TOOLS & TECHNOLOGY

R R Markdown tidyverse dplyr readr stringr ggplot2 arules

04 / RESEARCH METHOD

ANALYSIS WORKFLOW

01

資料讀取與整合

讀取 2018~2023 年 A1、A2 事故 CSV 檔案,合併不同年度及分檔資料。

02

臺中市資料篩選

依據發生地點欄位,保留包含「台中市」或「臺中市」的資料紀錄。

03

道路環境敘述統計

分析道路型態、車種、天候與光線等類別的事故次數及年度分布。

04

Apriori 關聯規則探勘

將類別資料轉換為交易資料格式,設定支持度、信賴度與提升度門檻,找出事故環境條件的共現規則。

原始資料讀取年度為 2018~2023 年;後續正式分析程式篩選民國 108~112 年資料。 兩者為不同處理階段,並非相同的年度範圍。

05 / APRIORI MODEL

ASSOCIATION RULE MINING

Support

支持度:衡量某項目組合在全部交易資料中出現的比例。

Confidence

信賴度:衡量規則左側條件出現時,右側項目同時出現的比例。

Lift

提升度:衡量左側與右側的共現程度相較於獨立情況的變化。

程式設定的規則篩選條件

Minimum Support0.01
Minimum Confidence0.50
Lift> 1
Rule Length3–5

上述為關聯規則程式碼中的設定。關聯規則呈現的是資料中的共現關係, 不代表變數之間具有因果關係,也不能單憑 Lift 推論事故風險或事故發生機率。

06 / DESCRIPTIVE STATISTICS

TRAFFIC ACCIDENT DATA ANALYSIS

UNDERSTANDING THE DATA
BEFORE MINING PATTERNS.

在進行 Apriori 關聯規則探勘之前, 先透過敘述統計觀察臺中市交通事故資料的基本分布。 分析項目包含道路型態、車種、天候與光線, 了解各類事故環境條件的分布情形。

108至112年每年最多的道路型態統計圖
01 / ROAD TYPE

道路型態分布

108~112 年各年度最多的道路型態皆為 「交岔路_四岔路」。 112 年統計為 63,939 件,占 39.3%。

108至112年每年最多的車種統計圖
02 / VEHICLE TYPE

車種分布

108~112 年各年度最多的車種皆為 「機車_普通重型」。 112 年統計為 89,263 件,占 57.11%。

108年交通事故天候分布統計圖
03 / WEATHER

天候分布|108 年

108 年事故紀錄中,以晴天最多, 共 82,541 件,占 85.05%; 雨天為 9,283 件,占 9.57%。

108年交通事故光線分布統計圖
04 / LIGHTING

光線分布|108 年

108 年事故紀錄中,以日間自然光線最多, 共 67,746 件,占 69.81%。

註:道路型態與車種圖呈現 108~112 年資料; 天候與光線圖目前呈現 108 年資料。 各圖的統計筆數為事故紀錄中的分類次數, 不應直接解讀為各條件下的事故發生風險。

07 / ASSOCIATION RULE RESULTS

APRIORI TOP 5 RULES

DISCOVERING
HIDDEN ASSOCIATIONS.

使用 Apriori 演算法分析道路型態、事故位置、 車種、天候與光線等條件, 依據支持度、信賴度及提升度整理關聯規則, 觀察不同事故環境條件之間的共現關係。

TOP 5 ASSOCIATION RULES

排名 關聯規則 Support Confidence Lift
01 單路部分_彎曲路及附近、天候=晴 → 一般車道(未劃分快慢車道) 0.0131 0.8013 3.8079
02 快車道、機車、晴天、日間 → 單路部分_直路 0.0175 0.9033 2.7819
03 快車道、機車、日間 → 單路部分_直路 0.0195 0.9032 2.7814
04 慢車道、小客車 → 單路部分_直路 0.0144 0.9020 2.7777
05 快車道、日間 → 單路部分_直路 0.0432 0.9005 2.7733
Support

支持度:衡量某項目組合在全部交易資料中出現的比例。

Confidence

信賴度:衡量規則左側條件出現時, 右側項目同時出現的比例。

Lift

提升度:衡量左側與右側的共現程度 相較於彼此獨立情況的變化。

關聯規則呈現的是資料中的共現關係, 不代表變數之間具有因果關係, 也不能單憑提升度推論事故發生機率。

08 / RESEARCH INSIGHTS

FINDINGS & INTERPRETATION

WHAT DO THE RULES
REVEAL?

透過 Apriori 關聯規則分析,觀察道路型態、 事故位置、車種、天候與光線等條件之間的共現關係。 以下根據 Top 5 規則的支持度、信賴度與提升度, 整理主要分析觀察。

01 / HIGHEST LIFT

最高提升度規則

3.8079

第一條規則的 Lift 為 3.8079, 是 Top 5 規則中最高的數值。 代表該規則左右兩側條件的共現程度, 約為統計獨立情況下的 3.81 倍。

Support:0.0131 | Confidence:0.8013
02 / HIGH CONFIDENCE

較高的信賴度

90.33%

第二條規則的 Confidence 為 0.9033, 表示在符合該規則左側條件的交易紀錄中, 約有 90.33% 同時包含右側條件。

Support:0.0175 | Lift:2.7819
03 / RECURRING PATTERN

重複出現的道路型態

3 / 5

Top 5 規則中的第 2、3、5 條, 其右側結果皆為「單路部分_直路」。 顯示直路條件在這幾條高提升度規則中 重複出現。

規則 02:Lift 2.7819 |規則 03:Lift 2.7814 |規則 05:Lift 2.7733

RESEARCH OBSERVATION

從 Top 5 關聯規則可以觀察到, 不同道路環境、車種及天候條件之間存在一定程度的共現關係。 其中,第一條規則具有最高的提升度, 而「單路部分_直路」則在多條規則中重複出現。

這些結果可作為後續交通事故環境分析的參考, 但關聯規則反映的是資料中的共現現象, 並不能直接證明某種道路條件會造成交通事故。

09 / LEARNING OUTCOMES

WHAT I LEARNED

DATA PROCESSING
IS THE FOUNDATION OF ANALYSIS.

透過這次專題,我實際操作跨年度資料整合、資料篩選、 類別資料整理、統計視覺化與關聯規則探勘。 也理解到資料探勘結果需要搭配研究背景與限制解讀, 不能將統計上的共現關係直接視為因果結論。