-
شماره ركورد
28434
-
پديد آورنده
اميد عبدالحسين پورمحجوبيان
-
عنوان
مدل LRT-CNN-VD در برآورد شدت تصادفات
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي عمران- برنامهريزي حمل و نقل
-
سال تحصيل
1398
-
تاريخ دفاع
1401/8/29
-
استاد راهنما
علي توكلي كاشاني
-
دانشكده
دانشكده مهندسي عمران
-
چكيده
با توجه به اينكه تلفات و خسارات ناشي از تصادفات هزينه هاي بالايي را بر جامعه تحميل ميكنند، اهميت پژوهش هاي ايمني ترافيك تبيين ميشود. حوزه ايمني ترافيك توسط كاهش شدت تصادفات و تعداد تصادفات، در صدد كاهش اين هزينه ها برآمده است. همواره از روش هاي آماري براي تحليل داده هاي تصادفات و برآورد شدت تصادفات مورد استفاده قرار گرفته اند، كه اين در حالي است كه مطالعات مختلف به كاستي ها و مشكلات برآمده از اين روش ها اشاره كرده اند. در نتيجه در جهت امكان سنجي پياده سازي روش هاي مبتني بر يادگيري ماشين و بهبود عملكرد روش هاي آماري در پيش بيني شدت تصادفات مطالعات محتلفي انجام گرفته است. اين مطالعات از طيف وسيعي از الگوريتم هاي يادگيري ماشين جهت برآورد شدت تصادفات استفاده كردهاند، كه در اين بين يكي از اين روش ها، روش هاي مبتني بر شبكه هاي يادگيري عميق است. در ادامه لازم به ذكر است كه در پياده سازي اين شبكه ها دو ايراد اساسي عنوان شده؛ ارايه نكردن معيار عدم قطعيت، و زمان بر بودن يافتن ابرپارامتر بيهنه در شبكه ها. در اين راستا پژوهش حاضر با ارايه مدل LRT-CNN-VD با استفاده از شبكه عصبي بيزي معياري براي عدم قطعيت ارايه ميكند و آن را ذيل دو عنوان عدم قطعيت داده و عدم قطعيت مدل دسته بندي ميكند. و همچنين با استفاده از روش نظم دهي تصادفي بيزي تغييراتي، ابرپارامتر نظم دهي تصادفي را به پارامتر نظم دهي تصادفي تبديل كرده و آن را در روند آموزش مدل بهينه ميكند. مدل ارايه شده، بر روي داده هاي تصادفات جاده هاي دوخطه دوطرفه كشور پياده سازي شده است. نتيج حاصل از مقايسه اين مدل با مدل لوجستيك دوگانه، مدل شبكه عصبي پيچشي با نظم دهي تصادفي و مدل شبكه عصبي پيچشي بدون نظم دهي تصادفي، نشان ميدهد كه مدل ارايه شده از حيث دقت برآورد از مدل هاي ديگر عملكرد بهتري دارد، و همچنين از حيث ساير شاخص ها ارزيابي، عملكرد قابل مقايسه و بهتري را نشان ميدهد. همچنين مدل ارايه شده از منظر بيش برازش عملكرد قابل مقايسه با روش نظم دهي تصادفي دارد. همچنين در ادامه با بررسي عدم قطعيت، نشان داديم كه عدم قطعيت داده سهم بيشتري در عدم قطعيت برآورد ها دارد.
-
تاريخ ورود اطلاعات
1402/03/28
-
عنوان به انگليسي
LRT-CNN-VD Model in Crash Severity Prediction
-
تاريخ بهره برداري
11/20/2023 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
اميد عبدالحسين پورمحجوبيان
-
چكيده به لاتين
Due to high socio-economical costs of traffic crashes, accident injury prediction is an important aspect in safety related studies. Although statistical methods have been traditionally applied in crash severity prediction, there are some limitations regarding their application, hence limiting their usage in various tasks. With the aim of overcoming such limitations, Machine Learning methods have been developed and successfully applied in numerous fields including traffic safety. Deep Neural Networks are a field of research in Machine Learning which have been able to achieve state of the art performance in variety of fields. However, their usage has been limited in safety critical fields due to number of drawbacks. The current study addresses two of such drawbacks; namely, their inability to provide uncertainty measures in their predictions and time consuming hyperparameter optimization, due to high computational complexity. Hence, the current study proposed a novel approach to Deep Neural Networks. The proposed LRT-CNN-VD model aims to provide uncertainty measures using Bayesian Neural Networks, and simultaneously provides a Bayesian justification for dropout regularization which renders grid search methods for regularization’s hyperparameter tuning useless. In order to evaluate our model’s performance, comparisons are made between the proposed model and two Convolutional Neural Network models and a binary Logistic Regression model. Results show improvement across different evaluation metrics, and regularization performance on par with dropout regularization.
-
كليدواژه هاي فارسي
شبكه عصبي عميق , يادگيري عميق , شبكه عصبي پيچشي , شبكه عصبي بيزي , برآورد بيزي تغييراتي , نظم دهي تصادفي , بيش برازش
-
كليدواژه هاي لاتين
Deep neural network , Deep Learning , convoloutional neural network , bayesian neural network , variational bayesian inference , dropout regularizaiton , Overfitting
-
Author
Omid Abdolhosseipoor
-
SuperVisor
Ali Tavakoli Kashani
-
لينک به اين مدرک :