شناسایی پارامترهای مؤثر بر شدت تصادفات بزرگراهی در شهر تهران

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار دانشگاه علوم انتظامی امین

چکیده

اکتشاف و تجزیه‌وتحلیل پارامترهای مهمی که باعث وقوع تصادفات در بزرگراه‌ها می‌شوند، می‌تواند به بهبود ترافیک کمک کنند. این مقاله به یک مسئلۀ بهینه‌سازی چندپارامتری در راستای شناسایی پارامترهای مؤثر بر شدت تصادفات بزرگراهی در شهر تهران اشاره دارد و از یک مدل ترکیبی شبکۀ عصبی و الگوریتم ژنتیک برای انجام تجزیه‌وتحلیل استفاده می‌کند. روش این پژوهش، توصیفی- مقطعی است. جامعۀ آماری این پژوهش را داده‌های تصادفات در بزرگراه‌های شهر تهران در طول سال‌های 1394 تا 1396 تشکیل می‌دهند. در این پژوهش سعی شده است با استفاده از مدل ترکیبی شبکۀ عصبی و الگوریتم ژنتیک، پارامترهای مؤثر بر شدت تصادفات در شهر تهران شناسایی و اولویت‌بندی گردند. به این منظور در مدل ترکیبی، میزان شدت تصادف به‌عنوان متغیر وابسته و 4 دستۀ کلی از متغیرها یعنی آب‌وهوا، جاده، وسیلۀ نقلیه و راننده به‌عنوان متغیر مستقل در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعی و پیش‌پردازش داده‌ها، ساختار بهینۀ مدل شبکۀ عصبی تعیین و در نهایت، نتیجۀ مدل شبکۀ عصبی به‌عنوان ورودی الگوریتم ژنتیک در نظر گرفته شد. یافته‌ها علاوه بر تعیین پارامترهای اصلی مؤثر بر شدت تصادفات (رفتار راننده، چگونگی حرکت وسیلۀ نقلیه، نوع وسیلۀ نقلیه و وضعیت ایمنی سطح سواره‌رو بزرگراه‌ها) نشان می‌دهد که الگویتم ترکیبی، عملکرد خوبی در شناسایی پارامترهای مؤثر بر شدت تصادفات دارد و می‌تواند یک بینش جدید را در راستای طراحی الگو در جهت درک بهتر و پیشگیری از حوادث مرتبط با آسیب‌های تصادفات در آینده فراهم سازد.

کلیدواژه‌ها


-          ابی‌ترابی، مسعود؛ رضایی مقدم، فرزاد. (1388). مدل‌سازی شدت تصادف‌ها در بزرگراه‌های درون‌شهری. پژوهشنامه حمل‌ونقل، 6 (1)، 1-12.
-          امین‌زاده گوهرریزی، توحیدی راد، اسدی، روشنک. (2016). به‌کارگیری الگوریتم NSGA-II برای حل مسائل مکان‌یابی چندهدفه. فصلنامه مطالعات شهری، 5 (19)، 2-15.
-                    پورمعلم، ناصر؛ قربانی، مهران. (1390). سیمای ایمنی راه‌ها، وزارت راه و ترابری. تهران، دفتر مطالعات فناوری و ایمنی.
-          خبیری، فلاح‌نژاد، محمدصابر، خواجه سلیمی. (2018). پیش‌بینی و بررسی عوامل شدت تصادفات جاده‌ای با استفاده از الگوریتم ماشین بردار پشتیبان. نشریه مهندسی عمران و محیط‌زیست دانشگاه تبریز.
-          صفارزاده، محمود؛ ابوالحسن‌نژاد، وحید؛ میرزا بروجردیان، امین. (1387). ارائه مدل اولویت‌بندی علیت‌گرا جهت تعیین قطعات خطرناک جاده‌ها برای عابران پیاده. نشریه دانشکده فنی دانشگاه تهران، 42 (4).
-          قدیرزاده، محمدرضا؛ شجاعی، احمد؛ خادمی، علی؛ خدادوست، محمود؛ کندی، مریم؛ علاءالدینی، فرشید؛ و مرادی. (1394). وضع و روند تغییرات مرگ‌ومیر ناشی از حوادث رانندگی ایران دهۀ 80 خورشیدی. 11 (2)، 13-22.
-          قنبری، محسن؛ رحیمی، امیرمسعود؛ ابوطالبی اصفهانی، محسن. (1398). بررسی سهم عوامل مؤثر بر شدت تصادفات در جاده‌های بین‌شهری. فصل‌نامه علمی راهور، تهران، سال 8، (29)، 121-151.
- Alexandropoulos, S. A. N., Aridas, C. K., Kotsiantis, S. B., & Vrahatis, M. N. (2019). Multi-Objective Evolutionary Optimization Algorithms for Machine Learning: A Recent Survey. In Approximation and Optimization (pp. 35-55). Springer, Cham.
- Abdelwahab, H., Abdel-Aty, M. (2003). Development of artificial neural network models to predict driver injury severity in traffic accidents at signalized intersections. Transp.
Res. Rec.: J. Transp. Res. Board 1746, 6–13. http://dx.doi.org/10.3141/1746-02.
- Bahrololoom, S., et al. (2017). Exploring the Factors Affecting Bicycle Crash Severity in Victoria, Australia.
- Chen, C., Zhang, G.H., Qian, Z., Tarefder, R.A., et al., (2016b). Investigating driver injury severity patterns in rollover crashes using support vector machine models. Accid.
- Chen, F. and S. Chen. (2011). Injury severities of truck drivers in singleand multi-vehicle accidents on rural highways. Accident Analysis &Prevention, 43(5): p. 1677-1688.
- classification tree models. Traffic Inj. Prev. 7 (3), 276–282.
- Coello Coello, Carlos A., Lamont, Gary B. & Van Veldhuizen, David A. (2007). EvolutionaryAlgorithms for Solving Multi-objective Problems. 2th edn, New York, Springer, 31-47
- Delen, D., R. Sharda, and M. Bessonov. (2006). Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks. Accident Analysis & Prevention. 38(3): p. 434-444.
- Harrell, F., (2001). Regression Modeling Strategies: With Applications to Linear Models. Logistic and Ordinal Regression, and Survival Analysis. Springer, New York.
- Holland, J. (1975). Adaptation in Natural andArtificial Systems. The University of Michigan Press, Ann Arbor, Michigan.
- Kia, M. (2012). Soft Computing in MATLAB. Qian University Press. Qian University Press. 600 p. (In Persian).
- Li, Z.B., Liu, P., Wang, W., Xu, C.C., (2012). Using support vector machine models for crash injury severity analysis. Accid. Anal. Prev. 45, 478–486.
- Park, S.-h., S.-m. Kim, and Y.-g. Ha. (2016). Highway traffic accident prediction using VDS big data analysis. The Journal of Supercomputing, 72(7): p. 2815-2831.
- Prati, G., Pietrantoni, L., Fraboni, F., (2017). Using data mining techniques to predict the severity of bicycle crashes. Accid. Anal. Prev. 101, 44–54.
- Sette, S. Boullart, L. (2001). Genetic programming:principles and applicatios. Engineering applications of artificial intelligence,14(6),727-736.
- Taravatmanesh S, Hashemi-Nazari SS, Ghadirzadeh MR, Taravatmanesh L. Epidemiology of fatal traffic injuries in the Sistan and Baluchistan province in 2011. Safety Promotion and Injury Prevention. 2015;3(3):161-8
- Yu, R., Abdel-Aty, M., (2014). Analyzing crash injury severity for a mountainous freeway incorporating real-time traffic and weather data. Saf. Sci. 63, 50–56.
- Zhu, X. and S. Srinivasan. (2011). modeling occupant-level injury severity: An application to large-truck crashes. Accident Analysis &Prevention, 43(4): p. 1427-1437.
- Zhu M, Zhao S, Coben JH, Smith GS. Why more male pedestrians die in vehiclepedestrian collisions than female pedestrians: a decompositional analysis. Injury Prevention. 2013; 19 (4): 227-31.[PubMed].