30383

تحليل تاثير منظر خيابان و كاربري زمين بر تصادفات درون‌شهري و پيش‌بيني تصادفات آينده با استفاده از الگوريتم‌هاي يادگيري ماشين (مطالعه موردي: مشهد)

كارشناسي ارشد

مهندسي عمران گرايش راه و ترابري

1399

1402/06/08

دكتر برات مجردي – دكتر ندا كامبوزيا

دكتر محسن فيضي

مهندسي عمران

حمل و نقل همواره يك عامل مهم در بازنمايي‌هاي اقتصادي فضاي جغرافيايي بوده است و تحولات تكنولوژيكي، ويژگي‌هاي جابه‌جايي را در دوره‌هاي مختلف دگرگون ساخته است؛ با اين حال هر شيوه جابه‌جايي در نهايت، واكنشي در مقابل انواع ويژگي‌ها محدوديت‌هاي ناشي از فضا و مكان، نظير كاركردهاي زمين، منابع حيات، شيوه اسكان، توزيع جمعيت‌ها، محدوديتهاي فيزيكي و انساني، فاصله، زمان، هزينه، مديريت، توپوگرافي و به طور كلي كاربري زمين بوده است. هدف اين پژوهش بررسي تاثير منظر خيابان و كاربري زمين بر تصادفات درون‌شهري كلان‌شهر مشهد در بين سال‌هاي 1396 تا 1400 است. بنابراين با در نظرگيري تصادفات در مناطق 1، 9 و 11 شهري و كاربري‌هاي مسكوني، تجاري و ساير كاربري‌ها در كنار منظر خيابان بسته‌ و باز بررسي‌هاي مورد نظر انجام گرفت. براي تحليل و مدل‌سازي از الگوريتم‌هاي يادگيري ماشين در زبان برنامه‌نويسي پايتون استفاده شده است. در بين مدل‌هاي مورد استفاده مي‌توان به برترين مدل‌ها بر اساس ميزان عملكرد و دقت آن‌ها اشاره نمود كه شامل مدل‌هاي برتر شامل رگرسيون جنگل تصادفي (RFR)، رگرسيون پرسپترون چندلايه شبكه عصبي (MLP) و رگرسيون گراديان تقويتي شديد (XGBoost) مي‌باشد. بين كاربري‌هاي يادشده، كاربري تجاري بيشترين تصادفات رخ داده را داشته است كه سهم آن چيزي در حدود سه برابر تصادفات در مناطق با كاربري مسكوني مي‌باشد. همچنين در %75 از كل تصادفات در مناطق با منظرخيابان باز به وقوع پيوسته و تصادفات منظر بسته‌ يك سوم مقدار تصادفات در منظر باز است. از طرفي با بررسي متغيرهاي مستقل و تاثير آن‌ها در پيش‌بيني تصادفات، مشخص گرديد كه اثر كاربري زمين به مراتب از منظر خيابان بيشتر است. دقت مدل‌هاي يادگيري ماشين مورد استفاده نيز به اين صورت بود كه رگرسيون جنگل تصادفي (RFR) با دقت 84%، رگرسيون گراديان تقويتي شديد (XGBoost) با دقت 80% و در آخر رگرسيون پرسپترون چندلايه شبكه عصبي (MLP) با دقت 80% تصادفات آينده را پيش‌بيني نمودند.

1402/10/24

Analyzing the effects of streetscape and land use on urban accidents and predicting future accidents by using machine learning algorithms (case study: Mashhad)

1/1/1900 12:00:00 AM

Transportation has consistently played a crucial role in economic representations of geographical space, and over time, technological advancements have significantly shaped its characteristics. Throughout history, various technological developments have revolutionized transportation, altering its fundamental features and capabilities. However, ultimately, each mode of transportation is a response to various characteristics and constraints imposed by space and location, including land functions, available resources, settlement patterns, population distribution, physical and human limitations, distance, time, cost, management, topography, and more. In general, land use has been a key factor influencing transportation choices and infrastructure development. Indeed, another influential factor that has often been overlooked is the streetscape. The design and layout of streets can have a significant impact on the behavior of road users. By creating well-designed spaces that provide a sense of limitation, streetscapes can effectively discourage risky behaviors and promote safer transportation practices. Recognizing the role of streetscape design can contribute to a comprehensive understanding of transportation dynamics and facilitate the development of strategies for enhancing safety and efficiency in urban areas. Every day, a significant number of individuals sustain injuries on the roads of Iran, resulting in diverse economic, social, cultural, environmental, health, and human consequences. The impact of road accidents encompasses a wide range of dimensions. To address this issue, it is crucial to implement effective measures that enhance traffic flow, prevent accidents, and ensure the safety of all road users. The aim of this research is to examine the influence of streetscape and land use on urban accidents that occurred in Mashhad between the years 2017 and 2021. To achieve this objective, the study focused on analyzing accidents in specific areas, namely the 1st, 9th, and 11th urban zones. It also considered the land use types adjacent to both closed and open streets, including residential, commercial, and other land uses. The research employed various surveys to gather the necessary data and insights related to the targeted areas. In this research, analysis and modeling were conducted using machine learning algorithms implemented in the Python programming language. Several models were employed, and the best models were selected based on their performance and accuracy, which include Random Forest Regression (RFR), Multilayer Neural Network Perceptron Regression (MLP) and Extreme Boost Gradient Regression (XGBoost). Among the mentioned land use categories, commercial land uses have experienced the highest number of accidents, with their share being approximately three times that of accidents in residential areas. Additionally, 75% of all accidents took place in areas with open streetscape, whereas accidents in areas with enclosed view accounted for one third of the number of accidents in open streetscape areas. The accuracy of the machine learning models which successfully predicted future outcomes was as follows: Random Forest Regression (RFR) achieved 84% accuracy, Extreme Boost Gradient Regression (XGBoost) achieved 80% accuracy, and finally, Neural Network Multilayer Perceptron Regression (MLP) achieved 80% accuracy.

كاربري زمين , منظر خيابان , يادگيري ماشين , مدلسازي تصادفات درون‌شهري , ايمني

Land Use , Streetscape , Machine Learning , Urban Accident Modeling , Safety

Seyed Amir Mohammad Bagheri

Dr. Barat Mojaradi, Dr. Neda Kamboozia