پيش‌بيني وقوع و شدت تصادفات ترافيكي در زمان واقعي: چارچوب چندوظيفه‌اي نوين مبتني بر يادگيري عميق GRAPH–LSTM با مكانيزم توجه و يادگيري برخط

اصفهان : دانشگاه صنعتي اصفهان

مهندسي عمران

كارشناسي ارشد

پيش‌بيني وقوع و شدت تصادفات جاده‌اي در زمان واقعي (Real-Time) يكي از چالش‌هاي كليدي در حوزه ايمني ترافيك است كه به دليل ماهيت نادر و نامتوازن رخدادها، وابستگي‌هاي مكاني-زماني پيچيده و حساسيت عملياتي بالاي هشدارها، نيازمند بهره‌گيري از روش‌هاي پيشرفته يادگيري ماشين و تحليل داده‌هاي ساختاري است. در اين پژوهش، يك چارچوب تركيبي نوآورانه ارائه شده است كه مدل‌سازي ساختار گرافي شبكه جاده‌اي را با تحليل توالي‌هاي زماني و سازوكار توجه (Attention) در قالب يك مدل يادگيري آنلاين يكپارچه مي‌سازد.در اين چارچوب، بخش يادگيري آنلاين به‌گونه‌اي طراحي شده است كه مدل بتواند پس از هر به‌روزرساني داده‌هاي ترافيكي، بدون نياز به بازآموزي كامل، پارامترهاي خود را به‌صورت پويا تنظيم نمايد. بدين‌ترتيب، سامانه توانايي انطباق با تغييرات شرايط ترافيكي را پيدا مي‌كند و همواره عملكرد پيش‌بيني خود را در سطحي به‌روز و دقيق حفظ مي‌نمايد. در مدل پيشنهادي، شبكه جاده به صورت گرافي متشكل از 244گره و 1376 يال مدل‌سازي شد. ويژگي‌هاي توپولوژيك توسط شبكه عصبي گراف (GCN) و وابستگي‌هاي زماني توسط شبكه LSTM استخراج گرديد؛ همچنين مكانيزم Attention براي وزن‌دهي تطبيقي به فريم‌هاي زماني بحرانيِ پيش از تصادف به‌كار رفت. جهت مقابله با چالش عدم‌تعادل شديد كلاس‌ها، تابع زيان متمركز وزن‌دار (Weighted Focal Loss) اعمال شد و سازوكار يادگيري آنلاين با بهره‌گيري از بافر بازپخش (10000نمونه) و ضريب فراموشي0٫95 پياده‌سازي گرديد. ارزيابي‌هاي جامع و مقايسه مدل پيشنهادي با مدل پايه (آفلاين بدون مكانيزم توجه) نشان‌دهنده دستاوردهاي چشمگيري در دو وظيفه اصلي بود. در وظيفه «پيش‌بيني وقوع»، به‌كارگيري يادگيري پيوسته منجر به پالايش مرزهاي تصميم‌گيري شد؛ به‌طوري‌كه ضمن حفظ و بهبود توانايي شناسايي رخدادها، هشدارهاي مثبت كاذب (False Positives) با كاهشي محسوس (نزديك به25درصد) از 46809 به 35250 مورد تقليل يافت و شاخص Specificity از 82 درصد به 87 درصد و همچنين شاخصRecall از 30 درصد به34 درصد و ROC-AUC از مقدار0٫61 به مقدار 0٫65 ارتقا پيدا كرد. در وظيفه پيش‌بيني شدت تصادف مدل پايه به دليل سوگيري به سمت كلاس اكثريت عملاً در تشخيص تصادفات شديد ناكارآمد بود (با حساسيت معادل0٫15)، مدل تركيبي پيشنهادي موفق شد اين سوگيري را در هم شكسته و شاخص حياتي حساسيت (Recall) را به 0٫66 ارتقا دهد.

237409

برنامه‌ريزي حمل‌و‌نقل

مهندسي حمل و نقل

دانشگاه صنعتي اصفهان