30677

مدل رياضي تحليل تصادفات با استفاده از روش شناسايي سيستم

دكتري

مهندسي عمران- حمل و نقل

1395

1402/11/23

شهريار افندي زاده

عمران

دسترسي به تمام داده¬هاي مربوط به عوامل انساني رانندگان به منظور مدل¬سازي احتمال تصادفات هم پرهزينه بوده و هم بسيار زمان¬بر است. بنابراين تلاش است با استفاده از شناسايي چهره راننده اطلاعاتي درمورد احتمال تصادف وي حاصل شود. داده¬هاي اوليه از رانندگان و شرايط رواني آن‌ها دريافت شد و با استفاده از شبكه اجتماعي اينستاگرام اين داده¬ها تكميل شد. با توجه به مطالعات پيشين و روش انتخاب ويژگي متغيرهاي مؤثر بر تصادفات كه مربوط به خطاي انساني مي‌شوند، انتخاب شدند. با استفاده از روش‌ شناسايي سيستم جعبه خاكستري به ساخت مدل پرداخته شد تا وزن هريك از متغيرها محاسبه شود. درنهايت با استفاده از نتايج بخش جعبه خاكستري و فنون پردازش تصوير تلاش شد كه چهره رانندگان مورد شناسايي قرارگرفته و ارتباطي بين ويژگي¬هاي چهره و احتمال تصادف آن‌ها در شرايط متناظر، حاصل شود. به‌منظور انجام شناسايي چهره از الگوريتم شبكه عصبي كانولوشن آبشاري چندمنظوره استفاده شد كه بر روي پايگاه داده كاسيا وب فيس آموزش‌ديده است. براي شناسايي جزئيات چهره¬ها از الگوريتم گروه هندسي بصري و يادگيري بدون نظارت استفاده مي‌شود. در گام بعد (تخصيص به كلاس¬ها) برچسب‌زني انجام مي‌شود تا يادگيري با نظارت باشد. پس از آموزش، مرحله اعتبارسنجي هم براي هر چهره انجام مي‌شود. پس از آموزش چهره¬هاي توليدشده و تست آن‌ها، مقدار ميانگين خطاي مطلق برابر 0.042 گزارش شد كه مناسب است. دقت داده¬هاي اعتبارسنجي مقدار 0.88 به‌دست‌آمده كه با توجه به اين نكته كه اين مسئله يك مسئله حل‌نشده است، دقت بالايي را گزارش كرده است. نتايج نشان داد راننده¬ها در سنين 18 تا 28 و 40 تا 50 داراي بيشترين خطر بوده و نكته جالب‌توجه اينكه بازه سني 29 تا 39 كمترين خطر را گزارش نموده است. الزاماً رانندگان داراي سابق تصادف براي مخاطرات آينده‌ايمن نيستند. رانندگي در ساعت 15 تا 19 و 20 تا 24 بسيار پرخطر است كه مي‌تواند ناشي از خستگي¬هاي شغلي افراد در زمان بازگشت به منزل و يا خواب‌آلودگي در ساعات پاياني روز باشد. خودروهاي تك‌سرنشين هم نسبت به سفرهاي چندنفره بيشترين مخاطرات را در پي داشته است. در نهايت چهره هر فرد به يكي از گروه هاي پرخطر تخصيص داده شد و پيشنهاداتي براي كمك به كاهش احتمال تصادفات وي داده شد.

1402/12/23

Mathematical Model of Traffic Accident Analysis Using System Identification

3/13/2025 12:00:00 AM

In this study, an attempt has been made to find the relationship between the driver’s faces and their accident probability. Accessing all the data related to drivers' human factors in order to model the accidents probability is both costly and time-consuming. Therefore, an attempt is made to obtain information about the accident probability just by identifying the driver's face. The data was collected from the drivers and their physical and mental conditions. Also, this data was completed by using Instagram social network. According to the previous studies and the feature selection method, variables affecting accidents that are related to human error were selected. Using gray box system identification method, the model was built to calculate the weight of each parameter. Finally, with a new method using face recognition and image processing techniques, an attempt was made to identify the faces of the drivers and establish a relationship between the features of the drivers' faces and the probability of their accidents in the corresponding conditions. In order to perform face recognition, a MultiTask Cascaded Convolutional Neural Network (MTCNN) was used, which was trained on the CASIA-WebFace dataset. Visual Geometry Group (VGG16) algorithm is used to identify faces. In the next step, labeling is done for supervised learning. After the training, the validation is done for each face. After training the generated faces and testing them, the Mean Absolute Error was reported as 0.042, which is appropriate. The accuracy of the validation data was obtained as 0.88, which reported a high accuracy considering that this problem is an unsolved problem. The results showed that drivers between the ages of 18 to 28 and 40 to 50 had the highest risk, and the interesting one to note is that the age range of 29 to 39 reported the lowest risk. Drivers with a history of accidents are not necessarily safe for future risks. Driving at 15:00 to 19:00 and 20:00 to 24:00 is very risky, which can be caused by people's work fatigue when returning home or sleepiness at the end of the day. Single-passenger cars are more dangerous than multi-passenger trips. Finally, each person's face was assigned to one of the dangerous driving groups, and suggestions were given to help reduce the probability of accidents.

پردازش تصوير , احتمال تصادفات رانندگي , خطاي انساني , شناسايي چهره , مدل جعبه خاكستري

Image Processing , Human Error , Gray Box Model , Face Detection , Traffic Accidents Probability

Hamid Bigdelirad

Shahriar Afandizadeh