27714

شناسايي عوامل موثر بر شدت سوانح تقاطع هاي همسطح با استفاده از تكنيك هاي داده كاوي

كارشناسي ارشد

مهندسي ايمني در راه آهن

1398

1401/08/15

مسعود يقيني

راه آهن

ارتقاي ايمني حمل و نقل ريلي و جاده اي، نيازمند جمع آوري، طبقه بندي و تجزيه و تحليل آمار سوانح است. جاده ها و بزرگراه ها، از جمله عوامل مستقيم در پديدار شدن سوانح جاده اي هستند؛ همچنين گذرگاه هاي ريلي، نقاط پرخطري براي تمام خطوط راه آهن در دنيا به شمار مي آيند. واضح است كه از بين بردن كامل سوانح، كاري غيرممكن است؛ لذا بايد اقدامات لازم جهت پيشگيري و كاهش شدت سانحه انجام گيرد. اين تحقيق در راستاي شناسايي عوامل مؤثر بر ميزان شدت سوانح در تقاطع هاي همسطح ريل و جاده با استفاده از تكنيك هاي داده كاوي و الگوريتم هاي يادگيري ماشين صورت گرفته است. بدين منظور از داده هاي اداره راه آهن فدرال آمريكا، طي سال هاي 2012 تا 2021 استفاده شده است. سپس الگوريتم هايي براي تعيين عوامل متعددي كه در تقاطع هاي همسطح، موجب افزايش شدت سانحه مي شوند، به كار گرفته شده اند. براي اين منظور روش هاي آماري و يادگيري ماشين بدون نظارت و با نظارت مورد استفاده قرار گرفته اند كه شامل روش هاي خوشه‌بندي K پيش الگو (K-Prototype)، مدل لاجيت باينري (Binary Logit Model) و مدل خطي تعميم يافته (Generalized Linear Model) مي باشد. روش K پيش الگو، به ايجاد خوشه هاي متمايز با ويژگي‌هاي نسبتاً همگن در هر خوشه مي پردازد. اين فرآيند، مجموعه داده را به چهار خوشه متمايز تقسيم مي كند. ضريب تغييرات توسط مدل لاجيت باينري براي هر خوشه و تمامي مجموعه داده حساب شده است. همچنين ضريب تغييرات توسط مدل خطي تعميم يافته، براي كل مجموعه داده محاسبه شده است. سپس به كمك تابع توزيع نمايي ضرايب تغييرات، نسبت شانس ها بدست آمده و عوامل مهمي كه بر افزايش فوت كاربر جاده مؤثر هستند، شناسايي شده اند. بر اساس نتايج نسبت شانس ها، سرعت زياد قطار، عدم توقف كاربر جاده، عدم وجود چراغ چشمك زن و پوشش گياهي منطقه از جمله عواملي مي باشند كه سطح شدت آسيب كاربر جاده را در خوشه هاي مختلف افزايش دادند. اين نتايج مي تواند براي كاهش فراواني و شدت سوانح تقاطع هاي همسطح مورد استفاده قرار گيرند. اين پژوهش با الهام از متدولوژي داده كاوي CRISP-DM صورت گرفته است.

1401/10/26

Identifying factors affecting the severity of Highway-Rail Grade Crossing accidents using data mining techniques

11/6/2023 12:00:00 AM

Improving the safety of rail and road transportation requires the collection, classification and analysis of accident statistics. Roads and highways are among the direct factors in the emergence of road accidents; Also, railway crossings are dangerous points for all railway lines in the world. It is clear that it is impossible to completely eliminate accidents; Therefore, necessary measures should be taken to prevent accidents and reduce fatalities during an accident. For this purpose, statistical methods and unsupervised and supervised machine learning methods have been used, including K-prototype clustering methods, binary logit model, and generalized linear model. The pre-pattern k method creates distinct clusters with relatively homogeneous features in each cluster. This process divides the dataset into four distinct clusters. The coefficient of variation was calculated by the binary logit model for each cluster and the entire data set. Also, the coefficient of variation has been calculated by the generalized linear model for the entire data set. Then, with the help of the exponential distribution function of the coefficients of variation, the odds ratio has been obtained and the important factors that are effective on the increase in the death of road users have been identified. Based on the results obtained, the high speed of the train, the lack of stopping of the road user, the absence of flashing lights and the vegetation of the area are among the factors that increased the level of injury severity of the road user in different clusters. These results can be used to reduce the frequency and severity of HRGCs accidents.

شدت سوانح , داده كاوي , يادگيري ماشين , تقاطع همسطح ريل و جاده

severity of accidents , data mining , machine learning , highway-rail grade crossing

Seyed Alireza Mirmohamad

Masoud Yaghini