臺灣博碩士論文加值系統

隨著交通工具技術的提昇，縮短人與人之間距離的同時，卻也帶來層出不窮的交通意外事故，其死亡率在歷年十大死因中更高居不下。其中，機車因具有經濟性和便利性，佔車輛比例接近70%；而在致死的車禍比例中更為所有車種排名第一。有鑑於此，找出事故發生原因乃刻不容緩。本研究應用資料採礦技術，企圖發現隱藏在龐大資料背後的重要資訊。
於本研究中，採用內政部警政署提供之94年至96年A1類道路交通事故資料為主。首先採用SPSS Clementine 12.0進行決策樹分析，分別參考過去文獻，投入變數有年齡、速限、天候、光線等共13種，探討對目標變數-主要傷處及受傷程度的影響；接著投入相關多變數探討對受傷程度的影響，再使用SPSS Statistics 17.0進行維度縮減保留具重要性的變數，再進行一次決策樹分析，比較結果是否提升模型正確率。最後採用SPSS Clementine 12.0進行類神經網絡分析，首先投入與決策樹相同變數探討其正確率，並與決策樹結果進行比較；接著置入兩目標變數於類神經網絡中，並與置入單一目標變數之正確率進行比較。
結果顯示影響普通重型和輕型機車事故原因不盡相同，而決策樹的正確率則比類神經網絡來的高。在重要變數的部份，不論使用決策樹或類神經網絡的結果顯示對普通重型機車或輕型機車影響交通事故的重要變數大致相同，唯比重略有所異。本研究於結論亦提出相關意見與論點以供相關部門做為日後宣導交通安全的參考。
關鍵字：交通意外事故、資料採礦、A1類道路交通事故、決策樹、維度縮減、類神經網絡

With the improvement of transportation means, the traffic problems become more complicated, and the accidents rate increases than before. The motorcycles with the features of economy and convenience have occupied nearly 70% of all registered vehicles. In addition, the fatal rate is ranked first among all kinds of vehicles. Therefore, how to reduce the accidents rate efficiently has become the most important issue. Under such circumstance, our study intends to apply data mining techniques to discover the hidden information.
Our study uses the fatal traffic accidents data during 2005 to 2007. First, the chosen independent input variables including age, speed, climate, light, and so on are summarized by the literature review, whereas major injure and degree of injury are the target variables by the classification and regression tree (CART) of SPSS 12.0 software. Second, eleven related variables are further taken into account as the input variables to discuss the impact of degree of injury. Later, use principal component analysis of SPSS 17.0 software to identify key variables, perform the same procedure based on key variables, and then compare the results in terms of accuracy. Finally, use the same variables for neural network of SPSS 12.0 software and then compare the results generated by neural network and CART. Finally, two target variables (major injury and degree of injury) are simultaneously put into neural network for analysis.
The results show that the accuracy of CART is higher than that of neural network. Moreover, there are different types of input variables resulting in different degree of injury but the key variables are not significantly different by CART or neural network. Finally, we also provide some suggestions for possibly improving the traffic environment.

Keywords: Traffic accident; Data mining; Fatal traffic accidents; Decision tree; Dimension reduction; Neural Network

圖目錄 VII
表目錄 Ⅷ
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 3
第四節 研究範圍與對象 3
第五節 論文架構 4
第二章 文獻回顧 5
第一節 資料採礦的定義 5
第二節 資料採礦的方式與功能 6
第三節 資料採礦的應用 9
第四節 資料採礦應用方法分析 10
第五節 維度縮減 15
第六節 道路交通事故的定義與道路交通安全現況概述 18
第七節 資料採礦應用於交通意外事故診斷之研究 19
第三章 應用方法技術介紹與研究變數之分類說明 22
第一節 應用資料採礦方法技術介紹 22
第二節 依據文獻探討主要傷處資料選擇之變數與分類說明 23
第三節 依據文獻探討受傷程度資料選擇之變數與分類說明 25
第四節 投入多變數探討受傷程度資料選擇之變數與分類說明 26
第五節 使用維度縮減後探討普通重型機車受傷程度資料選擇之變數與分類說明 29
第六節 使用維度縮減後探討輕型機車受傷程度資料選擇之變數與分類說明32
第四章 結果與討論 35
第一節 依據文獻變數使用CART探討主要傷處之結果 35
第二節 依據文獻變數使用CART探討受傷程度之結果 39
第三節 置入多變數使用CART探討受傷程度之結果 43
第四節 應用維度縮減後探討受傷程度之結果 46
第五節 依據文獻變數使用類神經網絡探討受傷程度之結果 49
第六節 置入多變數使用類神經網絡探討受傷程度之結果 52
第七節 依據文獻變數使用類神經網絡探討主要傷處與受傷程度之結果 54
第八節 置入多變數使用類神經網絡探討主要傷處與受傷程度之結果 56
第九節 誤差分析 58
第十節 相關政策擬定 59
第五章 結論與建議 60
第一節 結論 60
第二節 未來研究建議 61
第三節 研究貢獻與交通安全政策建議 62
參考文獻 63
附錄一 資料原始數值 67
附錄二 民國94-96年普通重型機車應用維度縮減之成份矩陣表 68
附錄三 民國94-96年普通重型機車應用維度縮減之轉軸後成份矩陣表 69
附錄四 民國94-96年輕型機車應用維度縮減之成份矩陣表 70
附錄五 民國94-96年輕型機車應用維度縮減之轉軸後成份矩陣表 71
附錄六 民國94-96年普通重型機車之主要傷處CART模型結果 72
附錄七 民國94-96年輕型機車之主要傷處CART模型結果 73
附錄八 民國94-96年普通重型機車之受傷程度與13變數CART模型結果 74
附錄九 民國94-96年輕型機車之受傷程度與13變數CART模型結果 75
附錄十 民國94-96年普通重型機車之受傷程度與多變數CART模型結果 76
附錄十一 民國94-96年輕型機車之受傷程度與多變數CART模型結果 77
附錄十二 民國94-96年輕型機車之維度縮減後受傷程度CART模型結果 78
圖 目 錄
圖 2.1 資料採礦功能分類 7
圖 2.2 類神經網絡模型生成 12
圖 3.1 民國94-96年普通重型機車應用維度縮減生成陡坡圖 31
圖 3.2 民國94-96年輕型機車應用維度縮減生成陡坡圖 33
圖 4.1 類神經網絡執行重型機車對13變數與受傷程度的收斂圖 50
圖 4.2 類神經網絡執行輕型機車對13變數與受傷程度的收斂圖 51
圖 4.3類神經網絡執行重型機車對多變數與受傷程度的收斂圖 52
圖 4.4 類神經網絡執行輕型機車對多變數與受傷程度的收斂圖 53
圖 4.5 類神經網絡執行重型機車維度縮減之變數與受傷程度的收斂圖 55
圖 4.6 類神經網絡執行輕型機車維度縮減之變數與受傷程度的收斂圖 55
圖 4.7 類神經網絡執行重型機車置入多變數對主要傷處和受傷程度的收斂圖57
圖 4.8 類神經網絡執行輕型機車置入多變數對主要傷處和受傷程度的收斂圖57
表 目 錄
表2.1 民國94年至97年道路交通事故(A1類)發生原因 19
表3.1 主要傷處與投入13變數各欄位項說明 24
表3.2 受傷程度與投入13變數各欄位項說明 25
表3.3 受傷程度與多變數各欄位項說明 27
表3.4 維度縮減後普通重型機車之受傷程度與9變數各欄位項說明 30
表3.5 民國94-96年普通重型機車應用維度縮減之解說總變異量表 31
表3.6 維度縮減後輕型機車之受傷程度與10變數各欄位項說明 32
表3.7 民國94-96年輕型機車應用維度縮減之解說總變異量表 34
表4.1 民國94-96年普通重型機車之主要傷處模型結果 35
表4.2 民國94-96年輕型機車之主要傷處模型結果 36
表4.3 民國94-96年普通重型機車主要傷處的產生規則 37
表4.4 民國94-96年輕型機車主要傷處的產生規則 38
表4.5 民國94-96年普通重型機車之受傷程度與13變數模型結果 40
表4.6 民國94-96年輕型機車之受傷程度與13變數模型結果 40
表4.7 民國94-96年普通重型機車受傷程度與13變數模型的產生規則 41
表4.8 民國94-96年輕型機車受傷程度與13變數模型的產生規則 42
表4.9 民國94-96年普通重型機車之受傷程度與多變數模型結果 43
表4.10 民國94-96年輕型機車之受傷程度與多變數模型結果 44
表4.11 民國94-96年重型機車受傷程度與多變數模型的產生規則 45
表4.12 民國94-96年輕型機車受傷程度與多變數模型的產生規則 45
表4.13 民國94-96年普通重型機車之受傷程度模型結果 47
表4.14 民國94-96年輕型機車之受傷程度模型結果 48
表4.15 民國94-96年輕型機車受傷程度與10變數模型的產生規則 49
表4.16 民國94-96年重型與輕型機車之類神經網絡結果 50
表4.17 民國94-96年重型與輕型機車之類神經網絡結果 52
表4.18 民國94-96年重型與輕型機車應用維度縮減變數之類神經網絡結果54
表4.19 民國94-96年重型機車置入13變數對兩目標變數之類神經網絡結果54
表4.20 民國94-96年重型機車置入多變數對兩目標變數之類神經網絡結果56
表4.21 民國94-96年輕型機車置入多變數對兩目標變數之類神經網絡結果57
表4.22 民國94-96年輕型機車CART結果 58
表4.23輕型機車之型Ⅰ及型Ⅱ誤差說明 58

一、 中文部分
王茁 (2005)，「商業智慧」，第一版，博碩文化股份有限公司，台北。

王保進 (2004)，「多變量分析：套裝程式與資料分析」，第一版，高等教育文化事業有限公司。

尹相志 (2004)，「資料採礦-網際網路應用與顧客價值管理」，第一版，維科圖書有限公司，台北。

尹相志 (2009)，「SQL Server2008 Data Mining資料採礦」，第一版，悅知文化 精誠資訊股份有限公司，台北。

李金泉 (1992)，「SAS/PC應用手冊-多變量應用統計與研究分析實務」，第一版，松崗電腦圖書資料股份有限公司，台北。

吳旭志、賴淑貞 (2001)，「資料採礦理論與實務-顧客關係管理的技巧與科學」，第一版，維科圖書有限公司，台北。

吳明隆 (2008)，「SPSS操作與應用-多變量分析實務」，第一版，五南圖書出版股份有限公司，台北。

孫惠民 (2007)，「資料採掘理論與實務規劃手冊」，第一版，文魁資訊股份有限公司，台北。

陳順宇 (2000)，「多變量分析」，第二版，華泰書局，台北。

陳鴻基、嚴紀中 (2004)，「管理資訊系統」，第二版，雙葉書廊有限公司，台北。

陳耀茂 (2006)，「資料採礦利用」，第一版，鼎茂圖書出版股份有限公司，台北。

張云濤、龔玲 (2007)，「資料探勘原理與技術」，第一版，五南圖書出版股份有限公司，台北。

曾平毅、林豐裕 (1999)，「路口安全程度評估模式之評析」，八十八年道路交通安全與執法研討會，205-215頁。

曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯 (2005)，「資料探勘」，第一版，旗標出版股份有限公司，台北。

廖述賢 (2008)，「知識管理」，第一版，雙葉書廊有限公司，台北。

廖述賢、溫志皓 (2009)，「資料採礦與商業智慧」，第一版，雙葉書廊有限公司，台北。

二、 英文部分
Al-Ghamdi, A. S. (2002) “Using Logistic Regression to Estimate the Influence of Accident Factors on Accident Severity,” Accident Analysis and Prevention, 34(6), pp. 729-741.

Büchner, A. G., Anand, S. S., and Hughes J. G. (1997), “Data Mining in Manufacturing Environments: Goals, Techniques and Applications,” Studies in Informatics and Control, 6(4), pp. 319-328.

Berry, M. J. A. and Linoff, G. S. (2004), Data Mining Techniques - for Marketing, Sales, and Customer Relationship Management, Canada: Wiley.

Chen, M. -S., Han, J., and Yu, P. S. (1996), “Data Mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, 8(6), pp. 866-883.

Frawley, W. J., Piatetsky-Shapiro, G., and Matheus, C. J. (1992), “Knowledge Discovery in Databases: An Overview,” AI Magazine, 13(3), pp. 57-70.

Fayyad, U. (2003), “Optimizing Customer Insight,” Intelligent Enterprise, 6(8), pp. 23-33.

Han, J., Cai, Y., and Cerconet, N. (1992), “Knowledge Discovery in Databases: An Attribute-Oriented Approach,” Proceedings of the Eighteenth VLDB Conference, pp. 547-559.

Han, J. and Kamber, M. (2006), Data Mining: Concepts and Technique, 2nd ed., CA: Morgan Kaufmann.

Hand, D. J., Blunt, G., Kelly, M. G. and Adams, N. M. (2000), “Data Mining for Fun and Profit,” Statistical Science, 15(2), pp. 111-131.

Hung, S. -Y, Yen, D. C, and Wang, H. -Y. (2006), “Applying Data Mining to Telecom Churn Management,” Expert Systems with Applications, 31, pp. 515-524.

Kleissner, C. (1998), “Data Mining for the Enterprise,” Proceedings of the Thirty-First Hawaii International Conference on System Sciences, 7, pp. 295-304.

Kockelman, K. -M. and Kweon, Y. -J. (2002), “Driver Injury Severity: An Application of Ordered Probit Models,’’ Accident Analysis and Prevention, 34(3), pp. 313-321.

Larose, D. T. (2006), Data Mining Methods and Models, Canada: Wiley.

Quddus, M. A., Noland, R. B., and Chin, H. C. (2002), “An Analysis of Motorcycle Injury and Vehicle Damage Severity Using Ordered Probit Models,” Journal of Safety Research, 33(4), pp. 445-462.

Rygielski, C., Wang, J. C., and Yen, D. C. (2002), “Data Mining Techniques for Customer Relationship Management,” Technology in Society, 24, pp. 483-502.

Shankar, V. and Mannering, F. (1996), “An Exploratory Multinomial Logit Analysis of Single-Vehicle Motorcycle Accident Severity,” Journal of Safety Research, 27(3), pp. 183-194.

Torre, G. L., Beeck, E. V., Bertazzoni, G., and Ricciardi, W. (2007), “Head Injury Resulting from Scooter Accidents in Rome: Differences Eefore and After Implementing a Universal Helmet Law,” European Journal of Public Health, 17(6), pp. 607-611.

Wu, S. -Y. and Chen, Y. -L. (2007), “Mining Nonambiguous Temporal Patterns for Interval-Based Events,” IEEE Transactions on Knowledge and Data Engineering, 19(6), pp. 742-758.

Yau, K. K. W. (2004), “Risk Factors Affecting the Severity of Single Vehicle Traffic Accidents in Hong Kong,” Accident Analysis and Prevention, 36(3), pp. 333-340.

Zhang, D. and Zhou, L. (2004), “Discovering Golden Nuggets: Data Mining in Financial Application,” IEEE Tranctions on Systems, Man, and Cybernetics, 34(4), pp. 513-522.

三、 網路資源
中華民國內政部警政署全球資訊網(2009a)，A1類道路交通事故傷亡人數，
http://www.npa.gov.tw/NPAGip/wSite/lp?ctNode=11394&CtUnit=2374&BaseDSD=7&mp=1。

中華民國內政部警政署全球資訊網(2009b)：A1類道路交通事故車種別肇事率，
http://www.npa.gov.tw/NPAGip/wSite/lp?ctNode=11395&CtUnit=1740&BaseDSD=7&mp=1。

中華民國內政部警政署全球資訊網(2009c)，名詞定義
http://www.npa.gov.tw/NPAGip/wSite/lp?usersubmit=1&mp=1&ctNode=11399&q_xurl=&q_stitle=%E9%81%93%E8%B7%AF%E4%BA%A4%E9%80%9A%E4%BA%8B%E6%95%85&q_xbody=&q_xpostDate_S=&q_xpostDate_E=&pcShowq_xpostDate_S=&pcShowq_xpostDate_E=&q_fctupublic=&q_topCat。

中華民國交通部(2009a)，機動車量登記數，http://www.motc.gov.tw/mocwebGIP/wSite/lp?ctNode=162&xq_xCat=14。

中華民國交通部(2009b)，交通統計要覽，
http://www.motc.gov.tw/mocwebGIP/wSite/ct?xItem=4302&ctNode=168&mp=1。

運輸安全資訊網(2009)，影響交通安全的因素，
http://safety.iot.gov.tw/QA/qa2.asp?typeno=2。