ارائه مدل توسعه‌يافته ارزيابي تصادفات بر اساس خصوصيات ماكروسكوپيك و ميكروسكوپيك جريان ترافيك

دكترا تخصصي

مقدمه: در ايران در سال ۱۳۹۵، 469 هزار و 950 تصادف در كشور رخ داده است كه 3 درصد از تصادف‌ها در لحظه وقوع، منجر به فوت شده، كه 29 درصد از اين فوت‌ها در تصادف‌هاي درون‌شهري رخ داده است و به‌طوركلي ٧٠ درصد تصادف‌ها در سال ١٣٩٥، درون¬شهري بوده است. ازاين‌رو، ضرورت مطالعه بيشتر در زمينه ارزيابي تصادفات در معابر شهري بيش‌ازپيش احساس مي‌شود. وقوع تصادفات درون¬شهري به عوامل متفاوت و پيچيده¬اي وابسته است و اين پيچيدگي تحليل آن را مشكل مي¬سازد. استفاده از انواع روش¬هاي رياضي و آماري در رويارويي با اين مقوله مي¬تواند مثمر ثمر باشد. در طول ساليان اخير، تلاش¬هاي بسيار زيادي در راستاي توسعه انواع روش¬هاي مختلف رياضي و آماري در جهت پيش¬بيني تصادفات صورت گرفته است كه منجر به معرفي مدل¬هاي جديد و حتي بهبود مدل¬هاي قديمي¬تر شده است. روش¬ها: بر اين اساس، دو هدف كلي در اين رساله دكتري دنبال مي¬شود. ابتدا به بررسي چگونگي تأثير پارامترهاي مختلف به¬خصوص پارامترهاي ترافيكي و همچنين طرح هندسي در وقوع تصادفات مي¬پردازيم. هدف ثانويه و نهايي اين است كه با توجه به داده¬¬ها و محدوديت¬ها موجود در اين مطالعه دريابيم كدام روش مدل¬سازي به نتايج دقيق¬تري در جهت ارزيابي جنبه¬هاي مختلف وقوع تصادفات ختم خواهد شد. رساله دكتري حاضر حتي¬الامكان تمامي روش¬هاي مدل¬سازي شناخته‌شده در دو زيرشاخه اصلي ارزيابي تصادفات (شدت برخورد و فراواني تصادفات) را گردآوري مي¬كند و به دنبال آن، به مقايسه عملكرد آن¬ها در هر يك از اين زيرشاخه¬ها مي¬پردازد. رساله حاضر فراواني تصادفات را در شبكه راه¬هاي شهري در دو مرحله جداگانه پيش¬بيني مي¬كند. يافته¬ها: در مرحله اول، چهار مدل ELM، RBF، PNN و MLP به‌عنوان زيرشاخه¬هاي رويكرد شبكه عصبي انتخاب شدند و عملكرد آن¬ها با هم مقايسه شد. در اين مرحله مدل ELM با R^2 برابر با ۸۱٪ در مرحله آموزش و ۷۵٪ در مرحله اعتبارسنجي دقيق¬ترين و سريع¬ترين پيش¬بيني را انجام داده است. مرحله دوم از مدل¬هاي MLP، ANFIS، Hybrid ANFIS-PSO و HybridANFIS-GAبه‌عنوان چهار زيرشاخه رويكرد هوش محاسباتي استفاده كرد. در اين مرحله، مدل Hybrid ANFIS-GA با MSE برابر با ۵۵/۱ در مرحله آموزش و ۷۸/۲ در مرحله اعتبارسنجي بالاترين دقت پيش¬بيني راه نشان داد. اين رساله دكتري شدت تصادفات را نيز مانند پيش¬بيني فراواني تصادفات در دو مرحله جداگانه پيش¬بيني مي¬كند. در مرحله اول، چهار مدل چندجمله¬اي لوجيت (MNL)، لوجيت چندجمله¬اي آشيانه¬اي (NMNL)، لوجيت مركب (ML) و چندجمله¬اي پروبيت (MNP) توسعه پيدا كردند و با يكديگر مقايسه شدند. نتايج به‌دست‌آمده با نتايج مطالعات اخير انطباق داشت كه طي آن مدل ML با AIC برابر با ۴۲۶۶ به‌عنوان بهترين مدل انتخاب شده است. علاوه بر روش¬هاي انتخاب گسسته، اين رساله دكتري از روش¬هاي مختلف داده¬كاوي ازجمله درخت تصميم، شبكه بايزين و شبكه عصبي در جهت پيش¬بيني شدت تصادفات بهره برده و عملكرد هريك را با يكديگر مقايسه كرده است. بر اساس نتايج به‌دست‌آمده، الگوريتم C5 با بالاترين مقدار AUC به¬عنوان بهترين مدل پيشنهاد مي¬شود. نتيجه¬گيري: با توجه به داده¬هاي استفاده‌شده، مي¬توان نتيجه گرفت استفاده از الگوريتم ژنتيك و ادغام آن با ساير روش¬هاي هوش تكاملي در جهت پيش¬بيني فراواني تصادفات بسيار مثمر ثمر است. همچنين‌، در جهت پيش¬بيني شدت تصادفات، روش¬هاي داده¬كاوي، به‌خصوص درخت تصميم، منجر به نتايج دقيق¬تري مي¬شوند. واژه‌هاي كليدي: ايمني ترافيك، پيش¬بيني شدت، پيش¬بيني فراواني، مدل¬هاي هوش مصنوعي، خصوصيات ماكروسكوپيك ترافيك.

192506

دانشگاه علم و صنعت ايران

راه و ترابري

دكتر حميد بهبهاني