因高速公路交通事故导致的死亡人数逐年上升,深入挖掘并分析高速公路交通事故各因素属性间的潜在关联关系并揭示其耦合机理将是探究高速公路交通事故致因的有效手段。然而,现有研究在关联规则挖掘算法的设计和应用层面存在一定局限:普通串行模式的关联规则挖掘算法在挖掘过程通常会产生大量候选项集,需要很大的运行内存来支撑,并不能针对海量交通事故数据进行有效挖掘;与此同时,大多研究只关注支持度和置信度高位关联规则,易忽视潜在的重要交通事故风险因子;此外,普通的并行关联规则挖掘算法普遍存在负载不均衡的问题,进而导致运算效率低。基于此,本研究构建了多维多层事故致因分析体系,在考虑负载均衡的前提下,基于Hadoop平台对既有的FP（Frequent Pattern）-Growth算法进行了并行优化,用以实现针对海量高速公路交通事故数据高效准确的关联规则挖掘计算;进而,基于对高速公路交通事故各影响因素间耦合机理的挖掘结果,深入分析并揭示高速公路交通事故的致因,并为事故风险防控提供指导。本论文的主要研究工作如下:（1）高速公路交通事故数据采集与样本结构设计。对获取的美国华盛顿州的历史事故数据集进行了预处理,得到人（驾驶员）、车辆、道路、环境、时间和事故六个维度的29项影响因素,构建了六维三层的交通事故分析模型,实现了多维数据库的样本搭建。基于数理统计特性从人（驾驶员）、车辆、道路、环境四个维度分析了交通事故分布规律与特征。（2）关联规则挖掘算法与Hadoop平台技术相关理论梳理。结合高速公路交通事故数据集特征,概述了数据挖掘相关技术手段,梳理了关联规则挖掘的概念、评价指标以及相关的经典算法,并进一步介绍了Hadoop平台的基本原理和应用实现途径,为后续研究的展开奠定了理论基础。（3）考虑负载均衡的并行优化FP-Growth算法的设计与实现。面向高速公路交通事故数据,提出了一种考虑负载均衡的并行FP-Growth算法,用以进行多维多层的海量事故数据挖掘:首先对并行FP-Growth算法进行总体架构设计,并结合相关理论完成代码实现工作;进而,针对算法的运行效率问题,应用负载均衡算法优化并行FP-Growth算法中的分组,结果表明优化后的FP-Growth关联规则挖掘算法能够将负载更均匀地分布在Hadoop集群节点上。算法实测结果表明,负载均衡约束条件下的并行FP-Growth算法在处理大数据集时的运行速度更优,该改进算法充分利用了Hadoop集群资源,在保留关联规则挖掘算法原有优势的同时,更加适用于交通事故大数据集的挖掘工作。（4）改进FP-Growth算法在高速公路交通事故致因分析与风险防控中的应用。基于美国华盛顿州的高速公路交通事故数据进行案例研究,通过本文提出的改进FP-Growth算法进行模型构建时,进一步对面向高速公路交通事故数据的关联规则挖掘模型从多维度交互角度进行了改进,即分别从事故维度自相关、单一维度与事故自身维度以及事故多维度交互三个角度进行关联规则挖掘,提取挖掘结果中的高支持度和高置信度的关联规则,并基于挖掘结果进行交通事故耦合机理分析。提取挖掘结果中支持度和置信度高位的关联规则进行解读,进一步分析和解释高速公路交通事故的内在发生机理。进而,分别从高支持度和高置信度、低支持度角度提出了控制高速公路交通事故风险、提高高速公路交通安全水平的对策和建议。