30014

مدل هاي يادگيري ماشين جمعي در تحليل شدت تصادفات راه هاي دوخطه ي برون شهري

كارشناسي ارشد

مهندسي عمران - حمل و نقل

1399

1402/07/16

دكتر علي توكلي كاشاني

مهندسي عمران

در اين مطالعه به طور كلي، هدف بهبود نتايج مدل هاي پيش بيني شدت تصادفات رخ داده در راه هاي دو خطه دوطرفه ي برون شهري با استفاده از انواع الگوريتم هاي يادگيري ماشين جمعي مي باشد. در اين مطالعه داده‌ هاي مربوط به تصادفات رخ ‌داده در راه دوخطه دو طرفه ي كشور طي بازه زماني سال هاي 1394 تا 1397 جمع ‌آوري گرديده و گروهي از متغير هاي همفزون از هر راه به تصادفات رخ ‌داده در آن تخصيص داده‌شده است. در مجموع در اين مطالعه 12 متغير مستقل در سطوح مختلف (وابسته به تصادف و وابسته به مسير) براي پيش بيني متغير وابسته (شدت تصادف) استفاده شد. مدل هاي پيش بيني شدت تصادف در سال هاي گذشته با استفاده از الگوريتم هاي جديد، سعي بر افزايش دقت پيش بيني شدت تصادفات داشته اند. اين كار محققان به تصميم گيران در سازمان هاي مسئول كمك مي كند با استفاده از نتايج تحقيق هاي انجام شده، عوامل تاثيرگذار بر تصادف هاي جرحي و فوتي را شناخته و تلاش در برطرف كردن اين عوامل و در مجموع بهبود شرايط و كاهش تلفات داشته باند. نتايج اوليه ي مطالعه نشان دهنده ي بهبود نزديك به 10 درصدي اين مجموعه مدل ها در دقت پيش بيني نسبت به مدل هاي متداول و سنتي به كار رفته در مدل سازي شدت تصادف مانند رگرسيون لجستيك بود. در اين مطالعه، با استفاده از يك رويكرد مقايسه اي، علاوه بر مقايسه ي نتايج با روش هاي مرسوم و سنتي، به تحليل و بررسي تفاوت دقت پيش بيني انواع الگوريتم هاي يادگيري ماشين جمعي پرداخته مي شود و در نهايت بهترين مدل پيش بيني كننده به همراه نتايج آن معرفي مي شود.

1402/08/17

Using ensemble machine learning models to investigate the severity of injuries in road accidents involving two-lane, two-way rural roads

10/7/2024 12:00:00 AM

Machine learning algorithms use data to detect patterns and discover relationships between input variables and output variables. Ensemble learning is an approach that combines multiple algorithms and combines their predictions to create a more accurate prediction. This approach is particularly useful for predicting outcomes that are affected by complex and non-linear relationships between input variables. In this study, ensemble machine learning models will be used to assess the predictive potential of road traffic accident-related variables. Ensemble machine learning models are particularly efficient at predicting complex outcomes because they combine the predictions of multiple models to make a more accurate overall prediction. In this study, the models will be trained on Iran's two-way two-lane rural roads accident data. We used 14 variables including the type of accident, the time of day, and the demographic characteristics of the drivers involved. This data will be used to identify patterns that can be used to predict the severity of an accident. In the analysis of the results, we found that the majority of bagging, boosting, and stacking algorithms performed well, indicating that ensemble models are capable of improving upon individual models.

ايمني در ترافيك , مدل سازي شدت تصادف , مدل سازي يادگيري ماشين جمعي , تصادفات برون شهري

road traffic accident , traffic safety , injury severity , machine learning algorithms , ensemble techniques

Parsa Soleyman Farahani

Ali Tavakoli Kashani