مهندسی ترافیک

مهندسی ترافیک

تجزیه‌وتحلیل شدت تصادفات استان چهارمحال و بختیاری با استفاده از تکنیک یادگیری ماشینی و پیاده سازی شبکه تحت زبان برنامه نویسی پایتون

نوع مقاله : مقاله پژوهشی

نویسندگان
فرزاد میرزایی شنتال علیا 1
امیر مسعود رحیمی 2
1 فارغ‌التحصیل مهندسی عمران گرایش راه و ترابری، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران
2 دانشیار گروه عمران، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران
چکیده
اهمیت کاهش تعداد تصادفات باعث شده ‌است تا محققان بسیاری راه‌حل‌هایی برای تعیین عوامل مؤثر در تصادفات ارائه دهند. در این تحقیق از زبان برنامه‌نویسی پایتون برای شناسایی عوامل مؤثر بر میزان تلفات و آسیب‌های ناشی از تصادفات استفاده گردید. همچنین پیش ­بینی شدت تصادفات بر اساس 4154 سوابق تصادفات رانندگی در استان چهارمحال و بختیاری در یک دوره 4 ساله (1397 الی 1400) انجام شد. این شبکه بر پایه 5 متغیر مستقل و شدت 3 کلاسه پیاده­ سازی شد که دقت به‌دست‌آمده مدل 11/81 درصد با درصد خطا 08/0 بود که پیش ­بینی حاصل نشان داد که این روش کُدنویسی ابزار قدرتمندی برای تجزیه‌وتحلیل و پیش ­بینی تلفات تصادفات است. نتایج حاصل نشان داد که عواملی ازجمله واژگونی و سقوط، برخورد وسیله نقلیه با یک وسیله و برخورد وسیله نقلیه با عابر بر شدت تصادفات می ­افزایند و در مقابل تصادفاتی که در سایر محل ­ها (پل، پیچ و ...) در اثر برخورد با شی ثابت اتفاق می­افتد با شدت کمتری مواجه هستند.
کلیدواژه‌ها
تصادفات
پیش‌بینی
شبکه ‌عصبی ‌مصنوعی
  • افندی زاده، ش، مدلسازی نقش عامل انسانی در تصادفات با استفاده از شبکه عصبی مصنوعی، 1393، مهندسی ترافیک، ص 12-21.

 

  • Journal of Mathematical problems in engineering, 2021, Data-driven urban traffic accident analysis and prediction using logit and machine learning-based pattern recognition models: p. 1-11.

 

  • Journal of Infrastructures, 2020, Handling Imbalanced Data in Road Crash Severity Prediction by Machine Learning Algorithms, 61.

 

  • Journal of HumanEcology, 2023, Evaluation Of The Effectiveness Of Neural Network Models In The Modeling Of Intra-City Highway Accidents.

 

  • Journal of Transport, 2011, Prediction for traffic accident severity: comparing the artificial neural network, genetic algorithm, combined genetic algorithm and pattern search methods, 353-366.

 

  • Shaik, M.E., M.M. Islam, and Q.S. Hossain,2021, A review on neural network techniques for the prediction of road traffic accident severity. Asian Transport Studies, p. 100040.

 

  • International journal of environmental research and public health, 2020, Predicting crash injury severity with machine learning algorithm synergized with clustering technique: A promising protocol, 5497.

 

  • Mathew, J., 2022, Accident Severity Prediction: Comparing ANN and Pattern search methods, Dublin, National College of Ireland.

 

  • Journal of Applied Sciences, 2017, Severity prediction of traffic accidents with recurrent neural networks, 476.

 

  • Journal of Advanced Transportation, 2021, Spatial and Temporal Distribution Analysis of Traffic Accidents Using GIS-Based Data in Harbin, p. 1-10.

 

  • Anastasopoulos, P.C., V.N. Shankar, J.E. Haddock, and F.L, 2012, Mannering, A multivariate tobit analysis of highway accident-injury-severity rates. Accident Analysis & Prevention, p. 110-119.

 

  • Moradi, A., et al.,2018, Human factors influencing the severity of traffic accidents related to pedestrians in Tehran. Iran Occupational Health, p. 55-65.