18416

۱۸۴۱۶

داده كاوي تصادفات با استفاده از يادگيري ماشين

كارشناسي ارشد

حمل و نقل

شهريور ماه ۱۳۹۶

دكتر شيخ الاسلامي

عمران

با توجه به رشد روز افزون وسايل نقليه شاهد رشد و افزايش ميزان تصادفات جاده اي مي‌باشيم. داده هاي تصادفات به تنهايي اهميت چنداني نداشته و بايد مورد بررسي و تجزيه و تحليل قرار بگيرند تا بتوانند به صورت ارزشمند و سودمند درآيند. از آنجايي كه اين داده روز به روز حجيم تر مي شوند لذا ارزش و اهميت داده كاوي داده هاي تصادفات مشخص مي شود. اين پژوهش به منظور يافتن روشي مناسب و مطلوب براي داده كاوي با هدف طبقه بندي نحوه برخورد صورت گرفته است و با بهره گيري از متدهاي يادگيري ماشين در داده كاوي با استفاده از متغيرهاي جنسييت راننده، مدت زمان گذشته از صدور گواهي نامه، نوع گواهي نامه، وجود عوامل انساني دخيل در تصادف،‌ وجود نقص در راه،‌ وجود تجهيزات ايمني وسيله نقليه، كاربري اطراف محل حادثه، هندسه راه و شرايط جوي، نحوه برخورد تصادفات را طبقه بندي مي‌كند. در اين پژوهش متدهاي هاي طبقه بندي لوجستيك، پرسپترون چند لايه، ماشين بردار هاي پشتيبان، درخت تصميم و همسايه هاي نزديك براي طبقه بندي نحوه برخورد، مورد استفاده قرار گرفت. نتايج حاصل از اين پژوهش نشان داد كه مدل همسايه هاي نزديك باعث حصول نتايج بهتري به منظور طبقه بندي نحوه برخورد در تصادفات، نسبت به ساير مدل هاي مورد بررسي در اين مطالعه مي شود. روش همسايه هاي نزديك توانايي طبقه بندي صحيح ۸۷/۳ از داده هاي مورد تست را با مقدار معيار كاپاي ۰/۵۸ را دارا مي‌باشد.

1396/11/15

2/4/2018 12:00:00 AM

increasing growth of vehicles, causing increase in the number of road accidents. Accident data singly is not so important and should be investigated and analyzed in order to be useful. Since these data are becoming more bulky, importance of data mining for accident data is determined. This study has been conducted to find appreciate and desirable method for data mining with the aim of classifying collision type and using Driver's gender, time passed from certification, type of certification, presence of human factors involved in the accident, presence of the road fault, presence of vehicle safety equipment, land use around collision location, road geometry, weather condition factors in order to classifying collision type with machine learning methods in data mining. in this study logistic, MLP, SVM, Decision Tree and KNN classification methods is applied to classify collision type. Results of this study show that KNN method has best result in order to classification of collision type among other method discussed in this study. KNN method can classifies 87.3% of the test data correctly with the 0.58 correspond Cohen's kappa coefficient.