12032

مدل LRT-CNN-VD در برآورد شدت تصادفات

1398

دكتر علي توكلي كاشاني

با توجه به اينكه تلفات و خسارات ناشي از تصادفات هزينه هاي بالايي را بر جامعه تحميل مي‌كنند، اهميت پژوهش هاي ايمني ترافيك تبيين مي‌شود. حوزه ايمني ترافيك توسط كاهش شدت تصادفات و تعداد تصادفات، در صدد كاهش اين هزينه ها بر‌آمده است. همواره از روش هاي آماري براي تحليل داده هاي تصادفات و برآورد شدت تصادفات مورد استفاده قرار گرفته اند، كه اين در حالي است كه مطالعات مختلف به كاستي ها و مشكلات برآمده از اين روش ها اشاره كرده ‌اند. در نتيجه در جهت امكان سنجي پياده سازي روش هاي مبتني بر يادگيري ماشين و بهبود عملكرد روش هاي آماري در پيش بيني شدت تصادفات مطالعات محتلفي انجام گرفته است. اين مطالعات از طيف وسيعي از الگوريتم هاي يادگيري ماشين جهت برآورد شدت تصادفات استفاده كرده‌اند، كه در اين بين يكي از اين روش ها، روش هاي مبتني بر شبكه هاي يادگيري عميق است. در ادامه لازم به ذكر است كه در پياده سازي اين شبكه ها دو ايراد اساسي عنوان شده؛ ارايه نكردن معيار عدم قطعيت، و زمان بر بودن يافتن ابرپارامتر بيهنه در شبكه ها. در اين راستا پژوهش حاضر با ارايه مدل LRT-CNN-VD با استفاده از شبكه عصبي بيزي معياري براي عدم قطعيت ارايه مي‌كند و آن را ذيل دو عنوان عدم قطعيت داده و عدم قطعيت مدل دسته بندي مي‌كند. و همچنين با استفاده از روش نظم دهي تصادفي بيزي تغييراتي، ابرپارامتر نظم دهي تصادفي را به پارامتر نظم دهي تصادفي تبديل كرده و آن را در روند‌ آموزش مدل بهينه مي‌كند. مدل ارايه شده، بر روي داده هاي تصادفات جاده هاي دوخطه دوطرفه كشور پياده سازي شده است. نتيج حاصل از مقايسه اين مدل با مدل لوجستيك دوگانه، مدل شبكه عصبي پيچشي با نظم دهي تصادفي و مدل شبكه عصبي پيچشي بدون نظم دهي تصادفي، نشان مي‌دهد كه مدل ارايه شده از حيث دقت برآورد از مدل هاي ديگر عملكرد بهتري دارد، و همچنين از حيث ساير شاخص ها ارزيابي، عملكرد قابل مقايسه و بهتري را نشان ‌مي‌دهد. همچنين مدل ارايه شده از منظر بيش برازش عملكرد قابل مقايسه با روش نظم دهي تصادفي دارد. همچنين در ادامه با بررسي عدم قطعيت، نشان داديم كه عدم قطعيت داده سهم بيشتري در عدم قطعيت برآورد ها دارد.

6/1/2020 12:00:00 AM

78999

1402/03/28

LRT-CNN-VD Model in Accident Severity Analysis