این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جاده، جلد ۳۳، شماره ۱۲۴، صفحات ۱۶۳-۱۷۴
عنوان فارسی ارائه مدل‌های هوشمند طبقه بندی داده‌های تصادفات ترافیکی بر مبنای شبکه بیزین، درخت تصمیم و شبکه عصبی مصنوعی
چکیده فارسی مقاله زمینه و هدف: هرسال تعداد زیادی از کاربران جاده درنتیجه تصادفات ترافیکی جان خود را از دست می‌دهند یا مجروح می‌شوند. تحلیل نقاط حادثه‌خیز برای و رانندگی، سازمان حمل‌ونقل و ترافیک شهرداری‌ها و سازمان‌هایءامرتبط با ایمنیءاترافیک بسیارءابا اهمیت می‌باشد. برایءاشناساییءانقاط پرءاخطرءاتصادف از روش‌هاییءامانند نزدیک‌ترین همسایگیءاو برازش استفاده می‌شود، اما این روش‌ها پیش‌بینیءاناکافیءاو درصد برآورد نادرستیءادارند. هدف این تحقیق، طبقه بندیء داده‌های اتصادفات و ارائه یک روش بهتر ابرای اشناسایی نقاط پرخطر از نظر تصادف است.

روش بررسی: برای این منظور، عملکرد درخت‌های تصمیم، مدل بیزین، و شبکه عصبی با استفاده از روش‌های متداول مانند نزدیک‌ترین همسایگی و برازش مقایسه شدند. با استفاده از ابزار GIS و روش‌های مبتنی بر تراکم همانند تابع چگالی کرنل، نقاط پرخطر تصادفات به صورت نقشه‌های کاربردی اشناسایی شدند.

یافته‌ها: نتایج نشان داد که روش درخت تصمیم، شبکه بیزین و شبکه عصبی به ترتیب با 83٪، 83٪ و 78٪ درصد برآورد صحیح، نسبت به روش‌های سنتی عملکرد بهتری دارند. همچنین، نتایج نشان داد که تعداد تصادفات در دوره‌های اوج ترافیک، به عنوان مثال صبح و عصر، نسبت به دوره‌های غیر اوج بیشتر است.

نتیجه‌گیری: با بررسی نقاط حادثه‌خیز پس از شناسایی به این نتیجه دست می‌توان یافت که نقاط حادثه‌خیز درون‌شهری بیشتر در نزدیکی تقاطعات بوده و اغلب درءاشرایط جوی مناسب و در روشنایی کافی روز اتفاق می‌افتند.
کلیدواژه‌های فارسی مقاله تصادفات داخل شهری،طبقه‌بندی،GIS،شبکه بیزین،درخت تصمیم و شبکه عصبی مصنوعی،
عنوان انگلیسی Providing Intelligent Models for Traffic Accident Data Classification based on Bayesian Network, Decision Tree and Artificial Neural Network
چکیده انگلیسی مقاله Background and purpose: Every year, a large number of road users die or are injured as a result of traffic accidents. Analyzing accident-prone points for driving, transportation and traffic organizations, municipalities and organizations related to traffic safety is very important. In order to identify high-risk points of accidents, methods such as nearest neighbor are used, but these methods have insufficient prediction and incorrect estimation percentage. The purpose of this research is to classify accident data and provide a better method for identifying high-risk points in terms of accidents.

Research method: For this purpose, the performance of decision trees, Bayesian model, and neural network were compared using common methods such as nearest neighbor and fitting.Using GIS tools and density-based methods such as kernel density function, high-risk points of accidents were identified in the form of functional maps.

Findings: The results showed that decision tree method, Bayesian network and neural network have better performance than traditional methods with 83%, 83% and 78% percentage of correct estimation, respectively. Also, the results showed that the number of accidents in peak traffic periods, for example morning and evening, is higher than non-peak periods.

Conclusion: By examining the accident-prone points after identification, it can be concluded that the inner-city accident-prone points are mostly near intersections and often occur in suitable weather conditions and in sufficient daylight
کلیدواژه‌های انگلیسی مقاله تصادفات داخل شهری,طبقه‌بندی,GIS,شبکه بیزین,درخت تصمیم و شبکه عصبی مصنوعی
نویسندگان مقاله علی نادران |
استادیار، دانشکده مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

محمدرضا احدی |
دانشیار، مرکز تحقیقات راه، مسکن و شهرسازی، تهران، ایران

رسول ذبیحیان |
دانشجوی دکتری، گروه مهندسی عمران، واحد بین‌المللی کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران

نشانی اینترنتی https://road.bhrc.ac.ir/article_218383_35e455bc29cffec82b110f747db204e6.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات