-
شماره ركورد
33230
-
پديد آورنده
مجيد نجفي بقرآباد
-
عنوان
مدل خوشه بندي مبتني بر شبكه بر اساس داده هاي توأم مكاني و مشخصه هاي تصادفات
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
حمل و نقل
-
سال تحصيل
1401
-
تاريخ دفاع
1404/01/23
-
استاد راهنما
دكتر علي توكلي كاشاني
-
استاد مشاور
ندارد
-
دانشكده
عمران
-
چكيده
تلاش‌هاي بسياري در سال‌هاي اخير در حوزه ايمني راه‌ها انجام‌گرفته است تا با تحليل داده‌هاي تصادفات بتوان سياست‌هاي مناسب و راهبردي براي مقابله با تصادفات اتخاذ كرد. يكي از روش‌هاي مورداستفاده براي تحليل تصادفات، استفاده از الگوريتم‌هاي خوشه‌بندي است.
مطالعات اخير انجام شده در اين زمينه، به بررسي داده‌ها در سطح بر اساس فاصله اقليدسي يا خوشه‌بندي فقط بر اساس مشخصه‌هاي تصادفات پرداخته‌اند؛ در اين مطالعه، علاوه بر داده‌هاي مكاني، مشخصات ديگر هر داده نيز در شكل‌گيري خوشه‌بندي مورد بررسي قرار مي‌گيرد تا بتوان تصادفات مشابه با ويژگي‌هاي متفاوت را در يك خوشه دسته‌بندي كرد.
در اين پژوهش سعي شده است با استفاده از داده‌هاي سال 1396 تا 1400 استان اصفهان و با يك رويكرد دومرحله‌اي به تحليل و بررسي داده‌ها پرداخته شود. در مرحله اول، با استفاده از الگوريتم‌هاي كا-مد، سلسله‌مراتبي و نقشه خودسازمانده به خوشه‌بندي داده‌ها پرداخته مي‌شود تا داده‌ها بر اساس متغيرهاي انتخابي دسته‌بندي شوند كه پس از انجام اين فرايند، كيفيت خوشه‌ها براي انتخاب الگوريتم برتر براي مرحله دوم با استفاده از آزمون‌هاي اعتبارسنجي مورد بررسي قرار گرفت. در مرحله دوم، با استفاده از نتايج برترين الگوريتم خوشه‌بندي در مرحله قبل كه بر اساس آزمون‌هاي مختلف انتخاب شده است، الگوهاي پنهان مكاني بين داده‌ها در روي شبكه راه‌ها مورد ارزيابي قرار مي‌گيرد تا در نهايت بتوان ارتباط مكاني بين تصادفات به همراه ويژگي‌هاي آن‌ها در الگوريتم خوشه‌بندي لحاظ گردد.
نتايج نشان‌دهنده كشف الگوهاي تصادفات با استفاده از ويژگي‌هاي تصادفات به همراه داده‌هاي مكاني در استان اصفهان است. نكته قابل‌توجه اين است كه درنظرگرفتن مقدار مناسب فاصله همسايگي و تعداد حداقل نقاط كه به‌عنوان دو ورودي در الگوريتم DBSCAN به‌حساب مي‌آيند، مي‌تواند تحليل‌ها و نتايج نهايي را تحت‌تأثير قرار دهد.
-
تاريخ ورود اطلاعات
1404/01/23
-
عنوان به انگليسي
Network-based Clustering Model Using Spatial Data and Accident Attributes
-
تاريخ بهره برداري
4/11/2025 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
مجيد نجفي بقراباد
-
چكيده به لاتين
In recent years, significant efforts have been made in the field of road safety to adopt effective and strategic policies for reducing traffic crashes. One of the widely used approaches for crash analysis is clustering algorithms. While recent studies in this domain have primarily focused on analyzing data based on Euclidean distance or clustering solely based on crash characteristics, this study aims to integrate spatial data with other attributes to group crashes with similar features but varying characteristics into the same cluster.
This research employs a two-stage approach to analyze crash data from Isfahan Province during 2017–2021. In the first stage, clustering is performed using k-means, hierarchical, and self-organizing map algorithms to group the data based on selected variables. The quality of the clusters is then evaluated using validation tests to identify the best-performing algorithm for further analysis.
In the second stage, the results from the optimal clustering algorithm are used to evaluate hidden spatial patterns among crash data on the road network. This step integrates spatial relationships and crash characteristics within the clustering framework, allowing for a more comprehensive analysis of the underlying patterns.
The findings demonstrate a direct relationship between the number of data points in clusters and the epsilon parameter. However, it is evident that the selection of appropriate values for epsilon and the minimum number of points—two critical inputs in the DBSCAN algorithm—has a significant impact on the analysis and final results.
-
كليدواژه هاي فارسي
خوشه‌بندي , كا-مد , سلسله‌مراتبي , نقشه خودسازمانده
-
كليدواژه هاي لاتين
Clustering , K-modes , SOM , Hierarchical
-
Author
Majid Najafibaghrabad
-
SuperVisor
Ali Tavakolikashani
-
لينک به اين مدرک :
