17935

17935

پيشبيني مقدار تصادفات شهري با كمك الگوريتم هاي شبكه عصبي، شبكه فازي عصبي و شبكه تركيب الگوريتم هاي تكاملي با شبكه فازي عصبي

كارشناسي ارشد

راه و ترابري

فروردين ماه 1396

دكتر حميد بهبهاني

عمران

چكيده در سالهار گذشته خطر رو ه رشد تلفات و آسي.هار جباده ار محققبات زيبادر را در حبوزهر امنيت ترافيك مجاب كزده است تا ر رور مدل هار پيشبيني تصادف تحقيق كنند. نا راين،هبدف پبژوهش حاضبر ررسبي عملكبرد شببكههار عصببي و عصببي فبازر و همچنبين شبكههار تكاملي در پيشبيني فراواني تصادف و همچنين تنيين را طبهر بين پبارامتر هبار برح هندسي ا تنداد تصادف مي اشد. رار رسيدن ه اين هدف، ا لاعات تصبادفات و ويژگيهبار جباده 186 خش از راههار ش ر مش د در سال 1386 استفاده شد . مجموعبه نبامزد متريرهبار توضبيحي انتخا ي شامل: سرعت متوسط (speed) ، ازدحام ) V/C ب، شبدت (VKT) ، پاركينب ) Parking ب، ميانه (Middle) ، سطح مقطع راه ) Riding ب و نسبت تصادف (Rate) . نتايج نشان داد كه عرض راه و شدت طور قا ل توج ي در فراواني تصادفات موثر هستند. ا استفاده از شاخد هار آمارر شبكه عصبي پرسپترون (MLP) ا شبكه عصبي فازر (ANFIS) و شبمه عصبي فبازر تكامبل يافتبه با الگوريتم ژنتيك و الگوريتم ازدحام ذرات مقايسه شد. ر اساس نتايج مقايسه مدل پيشبن ادر انفبي تكامل يافته ا الگوريتم ژنتيك عملكرد پيش يني الاتر نسبت ه ديگر سه مدل استفاده شبده ديگبر دارد . ه ور كلي مدل ANFIS را ميتوان يك ا زار موثر رار آژان هار حمل و نقل از شبركت در تصميمات و رنامه، ا هدف بود ايمني جاده در قا ليت پيش يني سيستم دانست . كلمات كليدر: شبكه هوشمند، شبكه عصبي، شببكه فبازر عصببي، الگبوريتم ژنتيبك، الگبوريتم - ازدحام زرات، ايمني، پيشبيني تصادفات

1396/07/29

1/1/1900 12:00:00 AM

ABSTRACT The warning growing trend of fatalities and injuries related to road accident has convinced researchers to focus on different types of traffic safety studies; however, developing accident prediction models probably has been the most frequent approach. In this regard, considerable energy has been made to find out among all well-known prediction modeling techniques, which one performs better, based on crash-related data. Furthermore, the present study aims to eva​luate how crashes on the urban network can be affected by contributing factors such as hourly traffic flow characteristics. In this regard, four types of CI modeling technique, including MLP, ANFIS, Hybrid ANFIS-GA, and Hybrid ANFIS-PSO have been used to predict the accident frequencies; subsequently, their results were compared according to the study objectives. The dataset consists of three sets of variables, including a total of 1370 crash data, traffic flow at the moment of accident occurrence, and environmental conditions, such as highway geometry on roadway segments of Mashhad during the morning peak hour (i.e. 7:00- 8:00 A.M.) in the year 2014. According to the results, ANFIS-GA exhibited the best performance in forecasting accident frequency according to available data, while the MLP has been failed in the learning process. In addition, GA performed better in optimizing of ANFIS in comparison with PSO. Actually, not only did not using PSO improve the ANFIS performance, but also caused negative influence in its prediction accuracy. Furthermore, based on sensitivity analysis results, Speed, Ln (VKT) and width are the most significant variables; however, parking and median are not as significant as other variables. Keywords: ANFIS, Nueral Network, MLP, Genetic Algoritm, PSO, Accident prediction models, Safty