داده‌كاوي عوامل موثر بر شدت تصادفات جاده‌اي با استفاده از يادگيري ماشين (بررسي موردي انحناي افقي)

كارشناسي ارشد

تصادفات رانندگي به خاطر خسارت‌هاي فراوان جاني، روحي، اقتصادي و... از‌جمله از دست رفتن نيروي انساني و خسارت به زيرساخت‌ها مورد توجه زيادي در عرصه پژوهش‌هاي آكادميك قرار گرفته اند. در اين ميان، تحليل عوامل و پيش‌بيني شدت تصادفات به خاطر اهميت زياد آن در پيش‌گيري از وقوع و كاهش هزينه‌هاي مستقيم و غيرمستقيم تصادفات سهم چشم‌گيري داشته‌اند. اين مهم در گذشته با روش‌هاي آماري مورد مطالعه قرار مي‌گرفت اما امروزه امكان ثبت بانك‌هاي داده‌اي گسترده و آمدن ماشين‌هاي محاسباتي قوي، بر اين حيطه از علم نيز تاثير گذاشته است و بيش‌تر تمايل تحقيقات جديدتر به استفاده از روش‌هاي هوشمند مبتني بر هوش مصنوعي است. در كنار مزاياي فراوان اين روش‌ها به علت نابالانس بودن ذاتي داده‌هاي تصادفات، اين روش‌ها در پيش‌بيني كلاس جرحي و فوتي بر خلاف كلاس خسارتي دقت راضي كننده‌اي نداشته اند. از اين رو در پژوهش حاضر با استفاده از تكنيك‌هاي متنوع يادگيري ماشين درصدد افزايش دقت پيش‌بيني شدت تصادفات در كلاس جرحي و فوتي هستيم. هم‌چنين انحناهاي افقي كه همواره به عنوان يكي از نقاط حادثه‌خيز مدنظر بوده است، به عنوان مطالعه موردي در ادامه موضوع قبل بررسي شده است و اين ادعا كه تراكم انحناي افقي با تاثير بر افزايش هوشياري راننده نه تنها به خودي خود عامل تصادفات نيست بلكه افزايش آن مي‌تواند تاثير مثبت در كاهش شدت تصادفات داشته باشد نيز مورد تحقيق قرار گرفته است. در اين پژوهش كه بر روي داده‌هاي آزاده‌راه قزوين-رشت مابين سال‌هاي 1395-1390 صورت گرفته است؛ در ميان طبقه‌بندي هاي مختلف مورد استفاده، روش ماشين بردار پشتيبان با كرنل (RBF)، در تشخيص شدت كلاس جرحي و فوتي موفق‌تر عمل كرده است.

195418

دانشگاه علم و صنعت ايران

راه و ترابري

دكتر برات مجردي - دكتر ندا كامبوزيا