پیش‌بینی شدت حوادث ترافیکی در جاده‌های برون‌شهری استان اصفهان با استفاده از شبکه‌های عصبی بازگشتی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه زنجان- دانشکده مهندسی- گروه عمران

2 دانشگاه زنجان

10.22034/road.2024.424485.2219

چکیده

تکنیک‌های یادگیری عمیق نقشی مهمی در دنیای مُدرن امروزی ایفا می‌کنند. در سال‌های اخیر شبکه عصبی بازگشتی منجر به تحقیقات گسترده‌ای برای پیش‌بینی سری‌های زمانی شده است. این مطالعه تلاش می‌کند تا با در نظر گرفتن وابستگی‌های سری زمانی با استفاده از شبکه‌ عصبی بازگشتی مبتنی بر الگوریتم حافظه طولانی کوتاه‌مدت، جهت پیش‌بینی شدت صدمات رانندگی براساس 10269 سوابق تصادفی که از سال 1397 الی آذر 1400 در جاده‌های استان اصفهان رُخ داده است، طراحی و پیاده‌سازی شود. برای انجام این کار چندین معماری و پیکربندی شبکه از طریق جستجوی سیستماتیک شبکه برای تعیین یک شبکه بهینه برای پیش‌بینی شدت آسیب تصادفات ترافیکی مورد آزمایش قرار گرفتند. معماری شبکه انتخاب شده به طور کامل با هفت متغیر مستقل، یک لایه حافظه طولانی کوتاه مدت با 64 گره ورودی و یک لایه خروجی با تابع بیشینه هموار تشکیل شده است. همچنین برای درک مزایا و مقایسه بهتر در این مدل، دو الگوریتم بهینه از جمله الگوریتم گرادیان نزولی تصادفی و الگوریتم بهینه آدام نیز باهم مقایسه شدند به-طوری که نتایج حاصل از مدل روی شبکه، نشان داد که الگوریتم بهینه آدام بهتر از الگوریتم گرادیان نزولی تصادفی عمل می‌کند چرا که دقت مدل در هنگام استفاده از الگوریتم آدام برابر با 26/73 % شد در حالی که برای الگوریتم گرادیان نزولی تصادفی دقت مدل به 20/68 % رسید. یافته‌های این مطالعه نشان داد که مدل شبکه‌ عصبی بازگشتی در چهارچوب یادگیری عمیق می‌تواند ابزار امیدوارکننده‌ای برای پیش‌بینی شدت تصادفات باشد.

کلیدواژه‌ها