پیشبینی ایمنی ترافیک با استفاده از روش بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان و شبکه عصبی پس انتشار

مهندسی عمران فردوسی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 دی 1400  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jfcei.2022.73920.1092

نویسندگان

محمود عامری ¹؛ حمید بیگدلی راد²؛ حمید شاکر ³؛ امیرحسین عامری²؛ سید امیر سعادتجو ⁴؛ سعید فاطمی ⁵؛ سید علی ضیائی⁶

¹مدیر گروه آموزشی راه و ترابری دانشکده عمران دانشگاه علم و صنعت

²دانشکده عمران دانشگاه علم و صنعت ایران

³گروه راه و ترابری، دانشکده عمران، دانشگاه علم و صنعت ایران، تهران، ایران

⁴دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران

⁵گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران

⁶گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.

چکیده

حوادث جاده‌ای و تلفات ناشی از آن ‌یکی از چالش‌های جوامع بشری است که هزینه‌های اقتصادی زیادی را بر اقتصاد کشورها تحمیل نموده است. باتوجه به مطالعات گذشته، تعیین برنامه‌ریزی ایمنی ترافیک با پیش‌بینی افزایش تصادفات رانندگی، بسیار حائز اهمیت می‌باشد. مدل های شبکه عصبی استفاده شده در این زمینه دارای خلاءهایی می‌باشند، در این مطالعه به‌منظور حل مشکلات شبکه عصبی پس انتشار، یک روش جدید که ترکیب بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان می‌باشد با هم ترکیب می شوند تا به منظور پیش‌بینی ایمنی ترافیک مورد استفاده قرار گیرد. ابتدا عوامل مؤثر بر ایمنی ترافیک و شاخص‌های ارزیابی مورد تجزیه‌وتحلیل قرار می‌گیرند، سپس مدل پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان با‌توجه به عوامل مؤثر ایجاد می‌شود. در نهایت، داده‌های مربوط به ایمنی ترافیک از سال 1376 تا 1397 برای تحقیق در مورد توانایی پیش‌بینی روش پیشنهادی بکار گرفته می‌شوند. نتایج تجربی نشان می‌دهد که پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای -پشتیبان برتر از شبکه عصبی پس انتشار است. مقادیر میانگین مطلق خطا برای پیش‌بینی تعداد حوادث توسط بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان و شبکه عصبی پس انتشار به ترتیب مقادیر 0.0281 و 0.0498 را به خود اختصاص دادند. مدل‌ها دارای نوسانات بیشتری نسبت به داده‌های مشاهده می‌باشند، بنابراین می‌توان به‌منظور تنظیم مدل‌های مذکور، مدل‌های دقیق‌تری ایجاد نمود. با‌ توجه به این نکته که خطا در داده‌های مربوط به تعداد مجروحین کمتر از داده‌های تعداد تصادفات و تلفات می‌باشد، می‌توان علت را به تعداد داده‌های بیشتر مربوط دانست.

کلیدواژه‌ها

شبکه عصبی؛ بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان؛ ایمنی ترافیک؛ پس انتشار