20297

۲۰۲۹۷

پيش ‏بيني و تحليل تصادفات با استفاده از مدل ‏هاي هوشمند

كارشناسي ارشد

راه و ترابري

1397/12/14

دكتر حميد بهبهاني

عمران

دستيابي به يك روش مطلوب جهت پيش‏بيني تصادفات و بررسي عوامل مؤثر در آن، هدف اصلي بسياري از مطالعات در دهه ‏هاي اخير بوده است، زيرا توانايي پيش‏بيني يك تصادف، در جلوگيري از وقوع و كاهش هزينه‏ هاي ناشي از آن، نقش بسيار حياتي ايفا مي ‏كند. شيوه‏ هاي مدل‏سازي آماري سنتي از عمده روش‏هايي هستند كه در گذشته به‌منظور بررسي و پيش‏بيني تصادفات از آن‏ها استفاده شده،‏ اما همواره به دليل معايب آن‏ها، پژوهشگران به دنبال به‌كارگيري روش‏هاي جديدتري بوده ‏اند. از طرف ديگر، با پيشرفت تكنولوژي و پيدايش روش‏هاي جديد هوشمند مدل‏سازي و يادگيري ماشين اين امكان فراهم شده كه بتوان با دقت بهتري تصادفات ترافيكي را پيش‏بيني نمود. از اين رو در اين پژوهش از دو روش‏ هوشمند شبكه‏ هاي عصبي چند لايه استاندارد و شبكه‏ هاي عصبي بازگشتي جهت پيش‏بيني شدت تصادفات استفاده گرديد. داده‏هاي به‌كار گرفته شده در اين تحقيق مربوط است به تصادفات آزادراه تهران – ساوه در سال‏هاي ۱۳۹۰ تا ۱۳۹۵ كه تحت عنوان سه نوع شدت برخورد خسارتي، فوتي و جرحي طبقه ‏بندي و ثبت شده بودند. فاكتورهاي زمان تصادف، شرايط سطح جاده در زمان برخورد، نوع برخورد، عامل انساني مؤثر در تصادف، عامل مؤثر وسيله نقليه، محل برخورد، عامل تأثيرگذار راه، مانع ديد، نوع شانه، وجود شيب طولي و قوس افقي متغيرهاي ورودي استفاده شده در اين پژوهش جهت مدل‏سازي بودند. نهايتاً، باتوجه به نتايج، از بين معماري شبكه‏ هاي بدست آمده، در هر روش يك شبكه به عنوان مدل پيشنهادي ارائه ‏گرديد. كه با مقايسه مدل‏هاي برگزيده اين نتيجه حاصل شد كه بر روي داده هاي مذكور مدل شبكه عصبي بازگشتي با دقت كلي ۸۴/۸۲ درصد و دقت ميانگين ۵۰/۲۲ درصد دقت بهتري جهت پيش‏بيني شدت تصادفات دارد. همچنين با توجه به ماتريس در هم ريختگي مدل‏هاي برگزيده، مدل شبكه عصبي بازگشتي داراي عملكرد بهتري جهت تفكيك تصادفات فوتي بود. واژگان كليدي: تصادفات، پيش‏بيني شدت تصادفات، مدل‏هاي هوشمند، يادگيري ماشين، شبكه‏ هاي عصبي بازگشتي، شبكه ‏هاي عصبي چندلايه

1397/12/25

Prediction and Analaysis of Traffic Accidents with Intelligent Models

3/16/2019 12:00:00 AM

Attaining a suitable method for predicting the crashes and investigating the underlying factors affecting them, has been one of the main goals in numerous studies in recent decades. This is due to the fact that the ability of predicting a crash can play a vital role in avoiding its occurrence and decreasing its costs. Traditional statistical modellings have been used frequently in the past to predict the crashes, however, because of their flaws, researchers have been trying to implement modern methods. On the other hand, development of new intelligent models and machine learning methods made it possible to predict the traffic crashes with a higher accuracy. In this study, two intelligent methods of neural networks, feed-forward multi-layer neural network and recurrent neural network, have been used to predict the severity of crashes. Data used in this study is for Tehran-Saveh freeway (March 2011 to March 2016) which has been recorded and categorized under three severity classes: property damage, injury and fatality. The input variables used in this study for modeling were factors related to: time of crash, road’s surface situation in the time of crash, type of collision, human effect, vehicle effect, place of crash, road effective factor, eyesight barrier, type of shoulder, existence of longitudinal slope and horizontal curve. Finally, based on the results, among the achieved network architectures, in each method one network is presented as the suggested model. Comparing the chosen models shows that the recurrent neural network on the aforementioned data with overall accuracy of 84.82 % and average accuracy of 50.22% is the method with the highest accuracy for prediction of crashes. Regarding the confusion matrix of the designated models, recurrent neural network has a superior performance concerning the detection of death crashes. Keywords: Traffic crashes; Traffic crash severity prediction; Intelligent Models; Machine learning; Multi-layer neural network; Recurrent neural network