保“安全”、促“畅通”是道路交通管理的核心问题,道路交通安全决策支持模型和方法研究是解决这一问题的重要手段。其目的是通过事故热点识别、关键要素识别、事故频数预测以及道路交通安全评价等方面的理论研究和技术创新,为行业管理部门更好地掌握道路交通安全管理热点及其分布和衍变规律,提高管理决策能力,减少道路交通事故的发生。由于道路安全事件发生机理具有动态、随机、不确定等突出特点,其基础数据在精确性、一致性、完整性也参差不齐,导致道路交通安全决策支持模型和方法研究具有较高的复杂性。本文借助公安交通管理海量业务数据库,运用自组织神经网络(SOM)、粗集理论(RS)、线性回归等数据挖掘基础理论和方法,以提升道路交通安全决策支持能力为目标,对道路交通安全管理热点及其关键要素的“识别、预测、评价”模型和方法开展深入研究,主要包括以下内容:1、针对粗糙集、决策树等算法对数据离散化的需求,建立了一种改进的SOM聚类离散化算法。该方法首先利用SOM实现初始聚类界定聚类上限,再通过BIRCH层次聚类算法进行二次聚类,并对目标数据集任一样本找出其所在维各聚类中心的最近邻,实现具有连续值域的数据集合具良好离散效果。该算法在断点集数(轮廓系数提升75%)及离散精度方面(不相容度更近似0)均优于传统SOM聚类离散化算法。2、为避免传统事故数据统计分析方法割裂事故属性间内在联系的固有缺陷,论文利用Z-Score方法统一目标数据的量纲和值域,并将累计方差贡献率与主分量因子荷载矩阵相结合,构建事故数据主分量综合得分集合。在此基础上,利用Canopy-Means聚类对主分量综合得分因子进行聚类分析,得到簇综合得分均值,建立了主分量与路段特征相结合的综合评价模型,实现量化路段安全性的分析目标。3、为解决基于路网交通流量、道路线性以及交通事故时空规律构建多维度的相关性分析问题,论文利用多项式回归技术构建了事故频数与年平均日交通量(AADT)关系模型,并以道路特征参数、交通流数据及事故频数为基础,结合经验贝叶斯方法消除了数据过离散问题,设计了基于观测值与预测值对比的校正系数,形成了基于CMF(Crash Modification Factor)的交通事故频数负二项回归预测模型,实现了对高等级事故良好的甄别和预测。4、针对当前我国路网交通安全特点和网络化管理需求,以事故危险指数和考虑严重程度的事故危险指数为量化标准,提出了路段百万车事故率CRs、基于CCR的路段安全风险指数、基于事故严重程度路段百万车事故率SRs、基于综合影响程度路段安全危险指数CSR四种交通安全风险评估指标。通过计算所有条件属性的信息增益率,建立可以对潜在事故形态进行诊断和判定的决策树模型,能够预测目标区域内潜在道路交通事故可能的发生和发展趋势。5、论文在完成道路交通安全决策支持系统的主要功能进行总体设计的基础上,对研究形成的道路交通管理热点及其关键要素识别、事故频数预测以及道路交通安全评价等核心算法模型进行开发,并与论文所依托科研课题项目实现的道路交通安全分析方案管理模块、道路交通安全多维度分析模块、道路交通安全决策与评价模块等核心功能实现深度集成。通过在省级公安交通安全管理实际数据集中的应用和实测,检验了论文研究成果的有效性,为道路交通安全决策关键技术的集成应用奠定了基础。