بی توجهی به مقررات راهنمایی و رانندگی و قانون گریزی همواره یکی از علل بروز مشکلات، معضلات و حوادث ترافیکی در همه جوامع می باشد که بسته به بافت فرهنگی، اجتماعی، اقتصادی و جغرافیایی جوامع، میزان و نوع آن متفاوت خواهد بود. آمار حوادث ترافیکی در ایران موید میزان بالا و غیرمتعارف تخلفات رانندگی در ایران است که هر ساله زیان های جبران ناپذیری را باعث می گردد. گرچه در بروز تخلفات رانندگی عوامل محیطی نیز دخیل می باشد، اما علل انسانی علاوه بر اینکه به عنوان اصلی ترین عامل بروز علت تخلفات است می تواند عاملی موثر در جهت تعدیل و رفع سایر نواقص و کمبودها باشد. پیشگیری از تخلفات که به واسطه بی توجهی و بی مبالاتی عامل انسانی صورت می گیرد در جلوگیری و تعدیل حوادث ترافیکی موثر خواهد بود. لذا ضمن بررسی کارشناسانه علل و انگیزه های بروز تخلفات، می توان با استفاده از روش های داده کاوی اقدام به کنترل عامل انسانی ، شناسایی رانندگان متخلف پرخطر و جلوگیری از تخلفات احتمالی آنان در آینده نمود. این تحقیق با کاربرد عملی داده کاوی در داده های تخلفات ترافیکی بررسی نموده است که شناسایی رانندگان پرخطر چگونه انجام شده و آیا می توان با دانستن سوابق تخلفاتی و مشخصه های فردی و محیطی، آنان را شناسایی و قوانین لازم را برای کاهش تخلفات ترافیکی تدوین و اجرا نمود. روش داده کاوی در جهت دستیابی به قوانین تصمیم گیری و مدل شناسایی رانندگان پرخطر در تخلفات استفاده شده است.در اجرای روش دسته بندی در داده کاوی دو تکنیک شبکه های عصبی و درخت تصمیم در اطلاعات تخلفات بکار گرفته شد و در انتها برای بهبود نتایج از رویکرد ترکیبی، متشکل از تکنیک خوشه بندی و درخت تصمیم استفاده شده است. تاکنون شناسایی رانندگان متخلف در حوزه ترافیک بیشتر به صورت تجربی صورت گرفته است اما تحقیق حاضر انواع متغیرهای دخیل در این مساله را بصورت همزمان مدنظر قرار داده است که می توان در ارائه خدمات برای مراجعین و رانندگان بر اساس امتیازات حاصل از اجرای این سیستم برای آنان استفاده نموده و در بسیاری از موارد از جمله محاسبه حق بیمه سالیانه، درصد تخفیف دیون دولتی و بخشش های تخلفات مرتکب شده و... بر اساس خطرساز بودن آنان عمل نمود.