23073

داده‌كاوي عوامل موثر بر شدت تصادفات جاده‌اي با استفاده از يادگيري ماشين (بررسي موردي انحناي افقي)

كارشناسي ارشد

راه و ترابري

1398-99

1399/7/8

دكتر برات مجردي - دكتر ندا كامبوزيا

عمران

تصادفات رانندگي به خاطر خسارت‌هاي فراوان جاني، روحي، اقتصادي و... از‌جمله از دست رفتن نيروي انساني و خسارت به زيرساخت‌ها مورد توجه زيادي در عرصه پژوهش‌هاي آكادميك قرار گرفته اند. در اين ميان، تحليل عوامل و پيش‌بيني شدت تصادفات به خاطر اهميت زياد آن در پيش‌گيري از وقوع و كاهش هزينه‌هاي مستقيم و غيرمستقيم تصادفات سهم چشم‌گيري داشته‌اند. اين مهم در گذشته با روش‌هاي آماري مورد مطالعه قرار مي‌گرفت اما امروزه امكان ثبت بانك‌هاي داده‌اي گسترده و آمدن ماشين‌هاي محاسباتي قوي، بر اين حيطه از علم نيز تاثير گذاشته است و بيش‌تر تمايل تحقيقات جديدتر به استفاده از روش‌هاي هوشمند مبتني بر هوش مصنوعي است. در كنار مزاياي فراوان اين روش‌ها به علت نابالانس بودن ذاتي داده‌هاي تصادفات، اين روش‌ها در پيش‌بيني كلاس جرحي و فوتي بر خلاف كلاس خسارتي دقت راضي كننده‌اي نداشته اند. از اين رو در پژوهش حاضر با استفاده از تكنيك‌هاي متنوع يادگيري ماشين درصدد افزايش دقت پيش‌بيني شدت تصادفات در كلاس جرحي و فوتي هستيم. هم‌چنين انحناهاي افقي كه همواره به عنوان يكي از نقاط حادثه‌خيز مدنظر بوده است، به عنوان مطالعه موردي در ادامه موضوع قبل بررسي شده است و اين ادعا كه تراكم انحناي افقي با تاثير بر افزايش هوشياري راننده نه تنها به خودي خود عامل تصادفات نيست بلكه افزايش آن مي‌تواند تاثير مثبت در كاهش شدت تصادفات داشته باشد نيز مورد تحقيق قرار گرفته است. در اين پژوهش كه بر روي داده‌هاي آزاده‌راه قزوين-رشت مابين سال‌هاي 1395-1390 صورت گرفته است؛ در ميان طبقه‌بندي هاي مختلف مورد استفاده، روش ماشين بردار پشتيبان با كرنل (RBF)، در تشخيص شدت كلاس جرحي و فوتي موفق‌تر عمل كرده است.

1399/10/16

Data mining to identify the factors affecting the severity of traffic accidents by machine learning (A case study of horizontal bends)

9/30/2021 12:00:00 AM

Traffic accidents have received a great deal of attention in the field of academic research due to the great loss of life, psychological, economic, etc., including the loss of manpower and damage to infrastructure. Among these, factor analysis and forecasting the severity of accidents have played a significant role in preventing the occurrence and reduction of direct and indirect costs of accidents due to its great importance. This was studied in the past with statistical methods, but today the possibility of registering large databases and the advent of powerful computing machines, has also affected this area of science, and more recent research tends to use intelligent methods based on artificial intelligence. In addition to the many advantages of these methods due to the inherent unbalance of accident data, these methods have not been satisfactorily accurate in predicting the injury and death class as opposed to the damage class. Therefore, in the present study, using various machine learning techniques, we seek to increase the accuracy of predicting the severity of accidents in the injury and death class. Also, horizontal curvature, which has always been considered as one of the accident hotspots, has been investigated as a case study in the continuation of the previous issue, and the claim that horizontal curvature density increases driver awareness not only causes accidents but also increases it. It can also have a positive effect on reducing the severity of accidents has also been studied. In this study, which was conducted on the Qazvin-Rasht freeway data between 2011-2016; among the various classifications used, the support vector machine method with (RBF) kernel has been more successful in detecting the severity of injury and death class.

پيش‌بيني شدت تصادفات , يادگيري ماشين در تصادفات , جنگل تصادفي , تراكم انحناي افقي

Accident Severity Prediction , Machine Learning in Accidents , Random Forest , Horizontal Curvature Density