19503

۱۹۵۰۳

پيش بيني شدت تصادف با مدل هاي شبكه عصبي و الگوريتم ژنتيك و بهينه كردن شاخص ها براي گروه تصادفات با راننده سالخورده و كم دقت

كارشناسي ارشد

راه و ترابري

۱۳۹۷

۱۳۹۷/۴/۲۷

دكتر حميد بهبهاني

دكتر محمود عامري

عمران

در بررسي تصادفات دو رويكرد فعالانه و غير¬فعالانه داريم. در تحقيقاتي كه با رويكرد فعالانه انجام پذيرفته است، تحقيقات شامل بررسي نقاط حادثه¬خيز پيش از وقوع تصادفات انجام مي¬پذيرد. رويكرد غير¬فعالانه شامل مدلسازي¬هايي است كه به وضعيت تصادفات بعد از بهره¬برداري از راه¬ها مي¬پردازد و شامل ارزيابي پارامتر¬هاي تاثير¬گذار بر تعداد و شدت تصادفات مي¬باشد. در اين تحقيق از دو مدل هوشمند شبكه¬هاي عصبي مصنوعي و الگوريتم ژنتيك براي پيش¬بيني شدت تصادف در بين راننده¬هاي بالاي 55 سال كه برخورد با مانع داشتند استفاده¬شد. در اين رده سني از راننده¬ها، كاهش دقت و ادراك به محيط و كم شدن زمان عكس¬العمل اتفاق مي¬افتد، كه نياز ديده شد ضمن تشكيل مدل¬هاي هوشمند براي پيش¬بيني شدت اين تصادفات، ميزان و اهميت پارامتر¬هاي تاثير¬گذار در اين گروه از تصادفات نيز مشخص شود. در اين پژوهش از بانك اطلاعاتي دپارتمان حمل ونقل كاليفرنيا استفاده شد و داده هاي تصادف مورد نياز براي اين مدلسازي از اين بانك اطلاعاتي استخراج شد. بعد از آماده¬سازي داده¬ها از تكنيك حذف تصادفي داده استفاده شدكه اين كار عملكرد مدل¬هاي هوشمند پيش¬بيني را به مراتب بهبود بخشيد و پس از آن داده¬ها را جهت شروع مدلسازي نرماليزه كرده و به تعداد مشخص جهت آموزش شبكه و صحت سنجي آن استفاده كرديم. در پايان اين تحقيق ضمن تشكيل و انتخاب بهينه ترين مدل بر اساس دقت هر مدل،ميزان اهميت هر پارامتر تاثيرگذار در هر يك از مدل¬هاي شبكه عصبي مصنوعي و الگوريتم ژنتيك تعيين شده و نتايج در جداول و نمودارها قرار داده شده¬است. بعد از تشكيل هر دو مدل متوجه شديم مدل بر اساس آموزش با شبكه عصبي داراي دقت به مراتب بهتر بوده و دقت اين مدل¬ نسبت به مدل¬هاي هوشمند با توابع بهينه الگوريتم ژنتيك بهتر است.

1397/07/24

Pattern recognition and prediction of crash severity for old and careless drivers using GA and ANN as a hybrid intelligent system

10/15/2018 12:00:00 AM

There are active and inactive approaches in accident analysis. In the researches that have been carried out by an active approach, incident points are observed before the accidents are happened. Inactive approach involves modelings that deal with crash statistics after the utilization of the roads and includes an evaluation of parameters affecting the number and severity of accidents. In this study, two intelligent models were used to predict the severity of an accident among drivers over 55 years of age, who had an obstacle collision; artificial neural networks and genetic algorithms. In this age group of drivers, there is a decrease in the accuracy and understanding of the environment and a longer response time. Thus, it is necessary to form intelligent models to predict the severity and the importance of these crashes as well as the amount of effective parameters and the importance of them, in this category of accidents. In this research, the database of California Department of Transportation was used to obtain the accidents data needed for modeling. After data preparation, a random data removal technique was used to improve the performance of intelligent prediction models. Afterwards, the data were normalized to begin the modeling, and were used to train the network and verification of the model. At the end of this research, while designing and selecting the most optimal model, based on the accuracy of each model, the importance of each effective parameter is determined in each artificial neural network model and genetic algorithm. Finally, the results are presented in the following tables and charts. After the formation of both models, the neural network model which is based on training, turns out to be extensively more accurate than intelligent models with optimal functions of the genetic algorithm.