جاده

جاده

پیش‌بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه‌بندان با استفاده از مدل شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشجوی دکتری، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران
2 استاد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران
چکیده
عدم توازن عرضه و تقاضا در ساعات شلوغی تردد باعث ازدحام ترافیک در معابر می‌شود که تأثیر بسزایی بر ایمنی، زمان سفر و مصرف سوخت دارد. بررسی رفتار رانندگان قبل از ازدحام و راه‌بندان می‌تواند ضمن ارائه راهکارهای مناسب به کاهش اثرات آن کمک کند. اگرچه پیش‌بینی رفتار رانندگان با استفاده از مدل‌های مختلف توسط محققین ارائه شده است، اما به‌ پیش‌بینی رفتار رانندگان قبل از راه‌بندان توجه چندانی نشده است. هدف اصلی این مطالعه تعیین مدلی برای پیش‌بینی رفتار رانندگان در مواجهه با راه‌بندان با استفاده از مدل شبکه عصبی است. در این تحقیق رفتار 124 راننده هنگام مواجه‌شدن با راه‌بندان از طریق فیلم‌برداری ویدئویی بدون جلب‌توجه رانندگان ضبط و پردازش شد و مشخصات فردی و رفتاری رانندگان نیز با تجزیه‌وتحلیل پرسش‌نامه‌های تکمیل شده توسط رانندگان استخراج شد. پس از تحلیل توصیفی، داده‌های جمع‌آوری‌شده با استفاده از تحلیل عاملی تأییدی روابط بین متغیرهای مشاهده شده و نهفته (نگرشی یا رفتاری) در نرم‌افزار Amos v.24 مورد ارزیابی قرار گرفتند و دو متغیر پنهان قانون‌گریزی و رانندگی پرخاشگرانه تعیین شدند. باتوجه‌به خروجی مدل شبکه عصبی که در نرم‌افزار SPSS ایجاد گردید، مهم‌ترین عامل در پیش‌بینی رفتار تغییر خطوط رانندگان در هنگام مواجهه با ترافیک، متغیر نگرشی قانون‌گریزی و سپس فاصله عرضی تا موانع یا خودروهای واقع در سمت چپ و راست ماشین موردنظر تعیین شدند. دقت مدل برای داده‌های آزمون برابر با 93/9 درصد است.
کلیدواژه‌ها

-Ding, C., Wang, W., Wang, X., & Baumann, M., (2013). A neural network model for driver’s lane-changing trajectory prediction in urban traffic flow. Mathematical Problems in Engineering.
-Gao, J., Zhu, H., & Murphey, Y. L., (2019). A personalized model for driver lane-changing behavior prediction using deep neural network. Paper presented at the 2019 2nd International Conference on Artificial Intelligence and Big Data (ICAIBD).
-Hamedi, H., & Shad, R., (2022). Lane-changing trajectory prediction modeling using neural networks. Advances in Civil Engineering.
-Hennessy, D. A., & Wiesenthal, D. L., (1999). Traffic congestion, driver stress, and driver aggression. Aggressive Behavior. Official Journal of the International Society for Research on Aggression, 25(6), 409-423.
-Kouabenan, D. R. J. J. o. R. R., (2002). Occupation, driving experience, and risk and accident perception. 5(1), 49-68.
-Li, G., Lai, W., Sui, X., Li, X., Qu, X., Zhang, T., & Li, Y., (2020). Influence of traffic congestion on driver behavior in
post-congestion driving. Accident Analysis & Prevention. 141, 105508.
-Ma, M., Yan, X., Huang, H., & Abdel-Aty, M., (2010). Occupational driver safety of public transportation: Risk perception, attitudes, and driving behavior. Paper presented at the Proceedings of the Transportation Research Board 89th Annual Meeting.
-Peng, J., Guo, Y., Fu, R., Yuan, W., & Wang, C., (2015). Multi-parameter prediction of drivers' lane-changing behaviour with neural network model. Applied Ergonomics, 50, 207-217.
-Perry, A. R., Baldwin, D. A. J. P., & skills, M., (2000). Further evidence of associations of type A personality scores and driving-related attitudes and behaviors. 91(1), 147-154.
-Ponnaluri, R. V. J. I. R., (2012). Road traffic crashes and risk groups in India. Analysis, Interpretations, and Prevention Strategies. 35(2), 104-110.
-Sun, D., & Elefteriadou, L. J. T. R. R., (2010). Research and implementation of lane-changing model based on driver behavior. 2161(1), 1-10.
-Ulleberg, P., & Rundmo, T. J. S. J. o. P., (2002). Risk–taking attitudes among young drivers: The psychometric qualities and dimensionality of an instrument to measure young drivers’ risk–taking attitudes. 43(3), 227-237.­
-Wang, W., Qie, T., Yang, C., Liu, W., Xiang, C., & Huang, K., (2021). An intelligent lane-changing behavior prediction and decision-making strategy for an autonomous vehicle. IEEE Transactions on Industrial Electronics, 69(3), 2927-2937.
-Wei, C., Hui, F., & Khattak, A. J., (2021). Driver lane-changing behavior prediction based on deep learning. Journal of Advanced Transportation, 2021, 1-15.
-Zheng, J., Suzuki, K., & Fujita, M., (2014). Predicting driver’s lane-changing decisions using a neural network model. Simulation Modelling Practice and Theory, 42, 73-83.