جاده

جاده

شناسایی تیپ‌های زمینه‌ای تصادفات جاده‌ای و پیش‌بینی شدت پیامد مشروط به وقوع با خوشه‌بندی داده‌های مختلط و یادگیری ماشین تبیین‌پذیر

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دکتری مهندسی عمران، برنامه‌ریزی حمل‌ونقل و ترافیک؛ پژوهشگر پسادکتری، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه بین‌المللی
2 دانشیار، گروه مهندسی عمران، برنامه‌ریزی حمل‌ونقل، دانشکدۀ فنی و مهندسی، دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران.
10.22034/road.2026.596078.2536
چکیده
در پایگاه‌های تصادف، ناهمگنی پنهان و ناهمسانی رویۀ ثبت، تفسیر الگوها و پیش‌بینی شدت را دشوار می‌کند. پژوهش حاضر با تکیه بر ۱۵۴٬۸۸۱ رخداد تصادف جاده‌ای سال‌های ۱۴۰۱ تا ۱۴۰۴، چارچوبی حساس به کیفیت داده برای کشف تیپ‌های زمینه‌ای و پیش‌بینی شدت پیامد مشروط به وقوع ارائه می‌کند. پس از ممیزی شناسه‌ها، مختصات، مقادیر نامشخص و پوشش سالانه، ۱۵۴٬۸۶۵ رکورد دارای مختصات معتبر تحلیل شد. الگوریتم کی-پروتوتایپ برای دو تا ده خوشه اجرا و راه‌حل چهارخوشه‌ای با شاخص رند تعدیل‌شدۀ ۰/۹۷۴ و کاهش افزایشی هزینۀ ۷/۸۱ درصد برگزیده شد؛ بااین‌حال ضریب سیلوئت مختلط ۰/۰۹۸ نشان داد مرز تیپ‌ها هم‌پوشانی دارد. سهم فوتی خوشه‌ها میان ۱۳/۶۹ تا ۱۶/۶۳ درصد بود و ارتباط خوشه و شدت معنادار ولی کم‌اثر ماند (V کرامر ۰/۰۸۳). پس از تعدیل سال، استان و شاخص‌های کیفیت ثبت، نسبت خطر نسبی فوتی در برابر خسارتی برای خوشۀ یک نسبت به خوشۀ چهار ۱/۹۴ بود. در اعتبارسنجی سه‌بخشی گروه‌بندی‌شدۀ مکانی، جنگل تصادفی بیشترین اف-یک کلان (۰/۶۷۶) و مساحت زیر منحنی کلان (۰/۸۵۶)، و ماشین تقویت گرادیانی سبک بیشترین بازخوانی کلاس فوتی (۰/۷۰۷) را داشت. افزودن برچسب خوشه به کت‌بوست بهبود معناداری ایجاد نکرد. تحلیل شاپ غلبۀ سال و استان را آشکار کرد و بر ضرورت مهار اثر تغییر نظام ثبت تأکید گذاشت. از منظر کاربردی، بررسی ۱۷/۸ درصد رخدادهای پرچم‌خورده در نقطۀ کار جنگل تصادفی، ۶۱/۶ درصد تصادفات فوتی را پوشش می‌دهد؛ بازدهی ۳/۴۷ برابر انتخاب تصادفی. بااین‌حال برآورد احتمال وقوع تصادف همچنان به داده‌های مواجهه و مشاهدات بدون تصادف نیاز دارد.
کلیدواژه‌ها


مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 30 آبان 1405