جاده

جاده

تحلیل و تخمین شدت سوانح ترافیکی شهری با بهره‌گیری از الگوریتم‌های هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانش آموخته کارشناسی ارشد، دانشکده مهندسی عمران و محیط زیست، گروه مهندسی و برنامه ریزی حمل و نقل، دانشگاه تربیت مدرس، تهران، ایران
2 استادیار، دانشکده مهندسی عمران و محیط زیست، گروه مهندسی و برنامه ریزی حمل و نقل، دانشگاه تربیت مدرس، تهران، ایران
3 استاد، دانشکده مهندسی عمران و محیط زیست،گروه مهندسی و برنامه ریزی حمل و نقل، دانشگاه تربیت مدرس، تهران، ایران
چکیده
تصادفات درون‌شهری یکی از چالش‌های جدی در ایران به شمار می‌رود که به دلایلی مانند ضعف زیرساخت‌ها، رعایت‌نشدن قوانین، و نبود فرهنگ مناسب رانندگی، تلفات و خسارات زیادی به همراه داشته ‌است. در مقابل، بسیاری از کشورهای پیشرفته با استفاده از فناوری، آموزش، و برنامه‌ریزی هوشمند شهری توانسته‌اند میزان این تصادفات را به‌طور چشم‌گیری کاهش دهند. تجربه موفق این کشورها نشان می‌دهد که مدیریت مؤثر ترافیک نقش مهمی در افزایش ایمنی شهری دارد. پژوهش حاضر با هدف شناسایی و پیش‌بینی شدت تصادفات معابر درون‌شهری استان البرز، از الگوریتم درخت تصمیم بهره گرفته است. برای این منظور، داده‌های مربوط به ۵۰۰۰ مورد تصادف ثبت‌شده در بازه زمانی سال‌های ۱۳۹۷ تا ۱۴۰۱ گردآوری و پس از پاک‌سازی، در محیط برنامه‌نویسی پایتون مورد تحلیل قرار گرفت. نتایج مدل نشان داد که سه متغیر «نحوه برخورد وسایل نقلیه»، «ساعت وقوع تصادف» و «روزهای غیرکاری هفته» به‌ترتیب بیشترین تأثیر را در پیش‌بینی شدت تصادف دارند. مدل نهایی با دقت 0.79 توانسته است تفکیک نسبتاً دقیقی میان تصادفات جرحی و فوتی ارائه دهد. یافته‌ها نشان می‌دهد که علاوه بر عوامل انسانی، برخی مؤلفه‌های محیطی و ساختاری نظیر نوع برخورد بین وسایل نقلیه نقش مؤثری در بالا رفتن احتمال وقوع تصادف‌های منجر به فوت ایفا می‌کنند. این پژوهش با بهره‌گیری از داده‌های واقعی و مدل‌سازی تفسیرپذیر، می‌تواند چشم‌اندازی کاربردی برای سیاست‌گذاری‌های ایمنی راه و طراحی مداخلات مؤثر فراهم آورد.
کلیدواژه‌ها

-Abrari Vajari, Mohammad, Kayvan Aghabayk, Mohammad Sadeghian, and Nirajan Shiwakoti (2020). A Multinomial Logit Model of Motorcycle Crash Severity at Australian Intersections. Journal of Safety Research 73 (June):17–24.
doi.org/10.1016/j.jsr.2020.02.008
-Aron, Maurice, Romain Billot, Nour-Eddin El Faouzi, and Régine Seidowsky (2015). Traffic Indicators, Accidents and Rain: Some Relationships Calibrated on a French Urban Motorway Network. Transportation Research Procedia 10:31–40.
doi.org/10.1016/j.trpro.2015.09.053
-Colagrande, Sandro (2022). A Methodology for the Characterization of Urban Road Safety through Accident Data Analysis.” Transportation Research Procedia 60:504–11. doi.org/10.1016/j.trpro.2021.12.065
-Eliane, Hernandez Garcia Michelle, and Lozano Angelica. (2024). Analysis of Road Accidents in Two Mixed Industrial Urban Zones, Using Nested Poisson and Negative Binomial Models. Transportation Research Procedia 78:377–83. doi.org/10.1016/j.trpro.2024.02.048
-EslamiNezhad, S. A., and M. R. Delavar (2019). An Integrated Network-Constrained Spatial Analysis For Car Accidents: A Case Study Of Tehran City, Iran. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLII-4/W18 (October):335–42.
doi.org/10.5194/isprs-archives-XLII-4-W18-335-2019
-García, María Flor, Armando Ortuño Padilla, Begoña Guirao Abad, and Jairo Casares Blanco. (2021). Urban Road Accidents and Ride-Hailing Services: A Study of Dependence in Madrid. Transportation Research Procedia 58:301–8. doi.org/10.1016/j.trpro.2021.11.041
-Hyodo, Satoshi, and Tomoyuki Todoroki (2018). An Analysis of Risk Factors for
Rear-Ender Accident on Urban Expressway Considering Accident Severity. Transportation Research Procedia 34:203–10. doi.org/10.1016/j.trpro.2018.11.033
-Kaplan, Sigal, and Carlo Giacomo Prato (2012). Risk Factors Associated with Bus Accident Severity in the United States: A Generalized Ordered Logit Model. Journal of Safety Research 43 (3): 171–80.
doi.org/10.1016/j.jsr.2012.05.003
-Rezapour, Mahdi, Ahmed Farid, Sahima Nazneen, and Khaled Ksaibati (2021). Using Machine Leaning Techniques for Evaluation of Motorcycle Injury Severity. IATSS Research 45 (3): 277–85.
doi.org/10.1016/j.iatssr.2020.07.004
-Santos, Kenny, João P. Dias, and Conceição Amado (2022). A Literature Review of Machine Learning Algorithms for Crash Injury Severity Prediction. Journal of Safety Research 80 (February), 254–69.
doi.org/10.1016/j.jsr.2021.12.007
-Wang, Deyu, Qinyi Liu, Liang Ma, Yijing Zhang, and Haozhe Cong (2019). Road Traffic Accident Severity Analysis: A Census-Based Study in China. Journal of Safety Research 70 (September):135–47. doi.org/10.1016/j.jsr.2019.06.002
-Yoon, Junho (2025). Prediction of High-Risk Areas Using the Interpretable Machine Learning: Based on Each Determinant for the Severity of Pedestrian Crashes. Journal of Transport Geography 126 (June):104216.
doi.org/10.1016/j.jtrangeo.2025.104216
-Yuan, Yalong, Min Yang, Yanyong Guo, Soora Rasouli, Zuoxian Gan, and Yifeng Ren (2021). Risk Factors Associated with Truck-Involved Fatal Crash Severity: Analyzing Their Impact for Different Groups of Truck Drivers. Journal of Safety Research 76 (February):154–65. doi.org/10.1016/j.jsr.2020.12.012