道路交通事故数量居高不下,每年死于高速公路交通事故的人数高达百万人次。分析影响交通事故发生的因素,探寻事故发生的内在原因,并有针对性的采取安全防御措施,是减少交通事故发生、保障交通安全水平最直接有效的手段。交通事故的发生因素众多,交警部门在事故发生之后,借助于事故信息采集表,尽可能多的收集事故发生的相关因素数据,为交通安全分析提供数据资料。然而由于一些对事故发生有明显影响却又无法观测记录的因素存在(如驾驶人的文化水平),使得交通事故数据存在一定的异质性效应,在事故分析时不考虑这类因素可能会得到不准确的推论。为提供更准确的交通安全决策支持,本文在考虑交通事故数据异质性的基础上,应用关联规则算法对交通事故数据进行关联分析,挖掘事故发生具有的规律。首先,本文在总结交通事故影响因素的基础上,界定了事故数据异质性的概念,分析数据异质性的来源,对比了不同处理数据异质性的模型优缺点,选择潜在类别模型作为处理数据异质性的方法;其次,对收集到的交通事故数据资料进行整合,提取了11个影响交通事故的属性变量,对其进行描述性统计和编码,建立高速公路交通事故数据集;接下来通过潜在类别模型将事故数据集划分为三个同质事故群,并对三个事故群进行异质性特征分析;最后,采用Apriori关联规则算法挖掘三个事故数据群和整体事故集中的关联属性规则。结果表明:在划分三个同质事故群的情况下,潜在类别模型对驾驶人的不安全驾驶行为和事故形态的异质性解释较好,对车辆类型、时间和季度等变量的解释效果次之,对年龄、性别、线形、天气、路段和车道等变量的解释效果较差;应用Apriori算法对交通事故数据进行挖掘,分别得到尾随相撞、撞固定物、侧面相撞、刮擦等形态的交通事故发生规律,并提出有针对性的预防建议。本文的研究结果有助于深入了解交通事故的发生规律,能够为交通事故安全改善对策提供理论支持。