جاده

جاده

ارائه مدل‌های هوشمند طبقه بندی داده‌های تصادفات ترافیکی بر مبنای شبکه بیزین، درخت تصمیم و شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 استادیار، دانشکده مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 دانشیار، مرکز تحقیقات راه، مسکن و شهرسازی، تهران، ایران
3 دانشجوی دکتری، گروه مهندسی عمران، واحد بین‌المللی کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران
چکیده
زمینه و هدف: هرسال تعداد زیادی از کاربران جاده درنتیجه تصادفات ترافیکی جان خود را از دست می‌دهند یا مجروح می‌شوند. تحلیل نقاط حادثه‌خیز برای و رانندگی، سازمان حمل‌ونقل و ترافیک شهرداری‌ها و سازمان‌هایءامرتبط با ایمنیءاترافیک بسیارءابا اهمیت می‌باشد. برایءاشناساییءانقاط پرءاخطرءاتصادف از روش‌هاییءامانند نزدیک‌ترین همسایگیءاو برازش استفاده می‌شود، اما این روش‌ها پیش‌بینیءاناکافیءاو درصد برآورد نادرستیءادارند. هدف این تحقیق، طبقه بندیء داده‌های اتصادفات و ارائه یک روش بهتر ابرای اشناسایی نقاط پرخطر از نظر تصادف است.

روش بررسی: برای این منظور، عملکرد درخت‌های تصمیم، مدل بیزین، و شبکه عصبی با استفاده از روش‌های متداول مانند نزدیک‌ترین همسایگی و برازش مقایسه شدند. با استفاده از ابزار GIS و روش‌های مبتنی بر تراکم همانند تابع چگالی کرنل، نقاط پرخطر تصادفات به صورت نقشه‌های کاربردی اشناسایی شدند.

یافته‌ها: نتایج نشان داد که روش درخت تصمیم، شبکه بیزین و شبکه عصبی به ترتیب با ۸3٪، ۸3٪ و ۷8٪ درصد برآورد صحیح، نسبت به روش‌های سنتی عملکرد بهتری دارند. همچنین، نتایج نشان داد که تعداد تصادفات در دوره‌های اوج ترافیک، به عنوان مثال صبح و عصر، نسبت به دوره‌های غیر اوج بیشتر است.

نتیجه‌گیری: با بررسی نقاط حادثه‌خیز پس از شناسایی به این نتیجه دست می‌توان یافت که نقاط حادثه‌خیز درون‌شهری بیشتر در نزدیکی تقاطعات بوده و اغلب درءاشرایط جوی مناسب و در روشنایی کافی روز اتفاق می‌افتند.
کلیدواژه‌ها

-Elvik, R., (2008). A survey of operational definitions of hazardous road locations in some European countries. Accident Analysis & Prevention, 40(6).1830-1835.
-Kemal Polat, S.S.D. Subtractive clustering attribute weighting (SCAW) to discriminate the traffic accidents on Konya–Afyonkarahisar highway in Turkey with the help of GIS: A case study. Advances in Engineering Software, 2011. 42(7). 491-500.
-V.Prasannakumar, H.V. R.Charutha, N.Geetha, (2011). Spatio-Temporal Clustering of Road Accidents: GIS Based Analysis and Assessment. Procedia - Social and Behavioral Sciences, 21, 317-325.
-Jafari M, Tabrizi A, Esmaeilzadeh MH, Zamani A. (2022). Determining of Accidental Points of Motorcycle Accidents Using Geographic Information System (GIS) in Gonabad and Bajestan Counties, North-East Iran. Irtiqa Imini Pishgiri Masdumiyat. 10(3), 262-268.
-Romi Satria, M.C. (2016). GIS Tools for Analyzing Accidents and Road Design.
A Review. Transportation Research Procedia, 18. 242-247.
 
 
-Saffet Erdogan, I.Y. (2008). Tamer Baybura, Mevlut Gullu, eographical information systems aided traffic accident analysis system case study: city of Afyonkarahisar. Accident Analysis & Prevention, 40(1),174-181.
-SavaşDurduran, S. A (2010). decision making system to automatic recognize of traffic accidents on the basis of a GIS platform. Expert Systems with Applications, 37(12). 7729-7736.
-Al-Ghamdi, A.S. (2003). Analysis of traffic accidents at urban intersections in Riyadh. 717–724.
-József Benedek, S.M.C. (2016). Titus Cristian Man, Hotspots and social background of urban traffic crashes: A case study in Cluj-Napoca (Romania). Accident Analysis & Prevention, 87. 117-126.
-Ali Soltani, S.A. (2017). Exploring Spatial Autocorrelation of Traffic Crashes based on Severity, in Injury. 637-647.
-Seiji Hashimoto, S. RyokoSaeki, YasuhiroMimura, RyosukeAndo, ShutaroNanba, (2016). Development and application of traffic accident density estimation models using kernel density estimation. Journal of Traffic and Transportation Engineering, 3(3). 262-270.