20138

۲۰۱۳۸

ارائه مدل توسعه‌يافته ارزيابي تصادفات بر اساس خصوصيات ماكروسكوپيك و ميكروسكوپيك جريان ترافيك

دكترا تخصصي

راه و ترابري

۱۳۹۲

۱۳۹۷/۱۰/۰۹

دكتر حميد بهبهاني

عمران

مقدمه: در ايران در سال ۱۳۹۵، 469 هزار و 950 تصادف در كشور رخ داده است كه 3 درصد از تصادف‌ها در لحظه وقوع، منجر به فوت شده، كه 29 درصد از اين فوت‌ها در تصادف‌هاي درون‌شهري رخ داده است و به‌طوركلي ٧٠ درصد تصادف‌ها در سال ١٣٩٥، درون¬شهري بوده است. ازاين‌رو، ضرورت مطالعه بيشتر در زمينه ارزيابي تصادفات در معابر شهري بيش‌ازپيش احساس مي‌شود. وقوع تصادفات درون¬شهري به عوامل متفاوت و پيچيده¬اي وابسته است و اين پيچيدگي تحليل آن را مشكل مي¬سازد. استفاده از انواع روش¬هاي رياضي و آماري در رويارويي با اين مقوله مي¬تواند مثمر ثمر باشد. در طول ساليان اخير، تلاش¬هاي بسيار زيادي در راستاي توسعه انواع روش¬هاي مختلف رياضي و آماري در جهت پيش¬بيني تصادفات صورت گرفته است كه منجر به معرفي مدل¬هاي جديد و حتي بهبود مدل¬هاي قديمي¬تر شده است. روش¬ها: بر اين اساس، دو هدف كلي در اين رساله دكتري دنبال مي¬شود. ابتدا به بررسي چگونگي تأثير پارامترهاي مختلف به¬خصوص پارامترهاي ترافيكي و همچنين طرح هندسي در وقوع تصادفات مي¬پردازيم. هدف ثانويه و نهايي اين است كه با توجه به داده¬¬ها و محدوديت¬ها موجود در اين مطالعه دريابيم كدام روش مدل¬سازي به نتايج دقيق¬تري در جهت ارزيابي جنبه¬هاي مختلف وقوع تصادفات ختم خواهد شد. رساله دكتري حاضر حتي¬الامكان تمامي روش¬هاي مدل¬سازي شناخته‌شده در دو زيرشاخه اصلي ارزيابي تصادفات (شدت برخورد و فراواني تصادفات) را گردآوري مي¬كند و به دنبال آن، به مقايسه عملكرد آن¬ها در هر يك از اين زيرشاخه¬ها مي¬پردازد. رساله حاضر فراواني تصادفات را در شبكه راه¬هاي شهري در دو مرحله جداگانه پيش¬بيني مي¬كند. يافته¬ها: در مرحله اول، چهار مدل ELM، RBF، PNN و MLP به‌عنوان زيرشاخه¬هاي رويكرد شبكه عصبي انتخاب شدند و عملكرد آن¬ها با هم مقايسه شد. در اين مرحله مدل ELM با R^2 برابر با ۸۱٪ در مرحله آموزش و ۷۵٪ در مرحله اعتبارسنجي دقيق¬ترين و سريع¬ترين پيش¬بيني را انجام داده است. مرحله دوم از مدل¬هاي MLP، ANFIS، Hybrid ANFIS-PSO و HybridANFIS-GAبه‌عنوان چهار زيرشاخه رويكرد هوش محاسباتي استفاده كرد. در اين مرحله، مدل Hybrid ANFIS-GA با MSE برابر با ۵۵/۱ در مرحله آموزش و ۷۸/۲ در مرحله اعتبارسنجي بالاترين دقت پيش¬بيني راه نشان داد. اين رساله دكتري شدت تصادفات را نيز مانند پيش¬بيني فراواني تصادفات در دو مرحله جداگانه پيش¬بيني مي¬كند. در مرحله اول، چهار مدل چندجمله¬اي لوجيت (MNL)، لوجيت چندجمله¬اي آشيانه¬اي (NMNL)، لوجيت مركب (ML) و چندجمله¬اي پروبيت (MNP) توسعه پيدا كردند و با يكديگر مقايسه شدند. نتايج به‌دست‌آمده با نتايج مطالعات اخير انطباق داشت كه طي آن مدل ML با AIC برابر با ۴۲۶۶ به‌عنوان بهترين مدل انتخاب شده است. علاوه بر روش¬هاي انتخاب گسسته، اين رساله دكتري از روش¬هاي مختلف داده¬كاوي ازجمله درخت تصميم، شبكه بايزين و شبكه عصبي در جهت پيش¬بيني شدت تصادفات بهره برده و عملكرد هريك را با يكديگر مقايسه كرده است. بر اساس نتايج به‌دست‌آمده، الگوريتم C5 با بالاترين مقدار AUC به¬عنوان بهترين مدل پيشنهاد مي¬شود. نتيجه¬گيري: با توجه به داده¬هاي استفاده‌شده، مي¬توان نتيجه گرفت استفاده از الگوريتم ژنتيك و ادغام آن با ساير روش¬هاي هوش تكاملي در جهت پيش¬بيني فراواني تصادفات بسيار مثمر ثمر است. همچنين‌، در جهت پيش¬بيني شدت تصادفات، روش¬هاي داده¬كاوي، به‌خصوص درخت تصميم، منجر به نتايج دقيق¬تري مي¬شوند. واژه‌هاي كليدي: ايمني ترافيك، پيش¬بيني شدت، پيش¬بيني فراواني، مدل¬هاي هوش مصنوعي، خصوصيات ماكروسكوپيك ترافيك.

1397/12/14

Developing of Advanced Models in Accident Prediction Based on Macroscopic and Microscopic Characteristics of Traffic Flow

12/30/2018 12:00:00 AM

Introduction: In Iran, in 1969, 469,950 accidents occurred in the country, of which 3% of the accidents occurred at the moment of the collision. 29 percent of these deaths occurred in urban areas, and in general, 70% of accidents occurred in the year of 1395 occurred in urban areas. Therefore, the need for further study on the assessment of accidents in urban segments is felt more and more. The occurrence of urban accidents is dependent on various and complex factors and this complexity makes it difficult to analyze. Using a variety of mathematical and statistical methods in dealing with this category can be fruitful. Over the past years, many efforts have been made to develop a variety of mathematical and statistical methods for predicting crashes, leading to the introduction of new models and even improvements to previous models. Methods: Accordingly, two general goals are pursued in this doctoral thesis. First, we examine how different parameters, especially traffic parameters, as well as geometric design in the occurrence of accidents are affected. The secondary and final goal is to find out which modeling method will result in more accurate results in assessing the various aspects of the occurrence of accidents, considering the data and limitations in this study. The present doctoral thesis can even compile all of the known modeling methods in the two main subcategories of the crash assessment (severity and frequency of accidents), and then compare their performance in each of these subcategories It works. The present treatise predicts the frequency of accidents in urban roads in two separate stages. Findings: In the first stage, four ELM, RBF, PNN and MLP models were selected and their performance was compared. At this stage, the ELM model with R ^ 2 equaled 81% at the training stage and 75% in the validation step, provided the most accurate and fastest prediction. The second phase used the MLP, ANFIS, Hybrid ANFIS-PSO and HybridANFIS-GA models as four subsystems of the computing intelligence approach. At this stage, the Hybrid ANFIS-GA model with MSE equaled 1.55 at the training stage and 2.78 at the validation stage led to the highest predictive accuracy. This doctoral thesis predicts the severity of accidents, as well as predicting the frequency of accidents in two separate stages. In the first step, four Multinomial Logit models (MNLs), Nested Multinomial Logit (NMNL), Mixed Logit (ML), and Multinomial probit (MNP) were developed and compared with each other. The results were consistent with the results of recent studies, in which the ML model with the AIC was 4266 was recognized as the best model. In addition to discrete choice methods, this doctoral thesis uses various data mining methods such as decision tree, Bayesian network and neural network to predict the severity of accidents and compare each other's performance. Based on the results, the C5 algorithm with the highest AUC is proposed as the best model. Conclusion: According to the data used, it can be concluded that the use of genetic algorithm and its integration with other evolutionary intelligence methods in accident prediction is highly effective . Also, in order to predict the severity of accidents, data mining methods, especially the decision tree, lead to more accurate results. Keywords: Traffic safety, Intensity prediction, Frequency prediction, Artificial intelligence models, Macroscopic Traffic Characteristics.