پیش‌بینی و بررسی عوامل تصادفات جاده‌ای با استفاده از الگوریتم ماشین بردار پشتیبان

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 پردیس فنی و مهندسی، دانشکده مهندسی عمران، دانشگاه یزد

2 پردیس فنی و مهندسی، دانشکده مهندسی صنایع، دانشگاه یزد

چکیده

شدت جراحت یکی از مهم‌ترین معیارهای سنجش هزینه‌ تصادفات است. شناسایی و اثرسنجی پارامترهای مؤثر بر شدت جراحت تصادفات می­تواند به عنوان ابزاری جهت افزایش ایمنی در اختیار سیاست­گذاران قرار گیرد. محققین زیادی در بخش ایمنی، سعی داشته‌اند با تحلیل تصادفات با رویکردها و مدل‌های مختلف، به بررسی این مهم بپردازند. هدف از این تحقیق بررسی عملکرد الگوریتم ماشین بردار پشتیبان در پیش­بینی شدت تصادفات جاده­های بین شهری ایران و تعیین عوامل تأثیرگذار بر شدت جراحت تصادفات است. مدل ماشین بردار پشتیبان تکنیک مدل­سازی نسبتاً جدیدی در حل مسائل طبقه­بندی و رگرسیون است که عملکردی دقیق و قابل قبول نشان می­دهد. در این مطالعه با استفاده از داده‌های تصادفات جاده‌ای پلیس راهور برای هفت استان اصفهان، خوزستان، خراسان جنوبی، قم، قزوین، کرمان و مازندران، با به کارگیری الگوریتم ماشین بردار پشتیبان به پیش‌بینی شدت تصادفات در دو سطح جرحی یا فوتی پرداخته شد. نتایج نشان داد حضور وسیله نقلیه سنگین و خودروی سواری مهم­ترین عامل در تخمین شدت تصادفات مـوتورسیکلت­ها است و احتمال آسیب­دیدگی را افزایش می­دهد. در تصادفات مربوط به خودروی سواری عوامل خستگی و خواب­آلودگی، حضور عابر پیاده، انحراف به چپ خودروی سواری بر شدت تصادفات خودروی سواری تأثیر مستقیم دارد. همچنین در تصادفات مربوط به کامیون­ها، نتایج بیان می­کنند انحراف به چپ کامیون، سن بالای راننده و افزایش سرعت خودرو، از مهم­ترین عوامل افزایش سطح جراحت در این نوع تصادفات است. زمانی که تصادف کامیون به شکل واژگونی اتفاق بیافتد می­توان انتظار سطح جراحت کم­تری داشت.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction and Investigation of Road Traffic Accident Severity Factors using Support Vector Machine Algorithm

نویسندگان [English]

  • Mohsen Khajahsalimi 1
  • Mohammad Mehdi Khabiri 1
  • Mohammad Saber Fallah Nezhad 2
1 Faculty of Civil Engineering, Yazd University
2 Department of Industrial Engineering, Yazd University
چکیده [English]

Accidents as a threat factor to the transport system have widespread political, social, and economic dimensions, which is increasing in developing countries. Iran, as a developing country, has not escaped this danger, but in recent years it has taken preventive measures and crash statistics has been decreasing. Crash injury severity is one of the most important criterions of measuring the costs of accidents. Different methods have been used for predict modeling. Support Vector Machine is a relatively new modeling technique which was proposed to solve the classification and regression problems. That shows accurate and acceptable performance. In the present study, it has been tried to model the severity of accidents with a combination clustering and classification approach, with the help of neural network algorithms, simple parsing, SVM, KNN, and C4.5 algorithms and by comparing the algorithms used assess the ability of each of the algorithms in the prediction of the severity of accidents. The purpose of this study is to evaluate the performance of support vector machine algorithm to predict the severity of road accidents and identify the factors that affect the severity of accidents.

کلیدواژه‌ها [English]

  • Severity of crashes
  • Support vector model
  • Road safety
  • Fatal crashes
  • Kernel algorithm

مراجع

اردکانی ح، حاتمی ع، نجف پ، "بررسی تأثیر جنسیت رانندگان در عوامل مؤثر بر شدت تصادفات درون شهری"، یازدهمین کنفرانس بین­المللی مهندسی حمل و نقل و ترافیک، تهران، 1390.
معین­الدینی ا، حبیبیان م، "بررسی عوامل مؤثر بر شدت جراحت حادثه دیدگان در تصادفات کامیون­ها"، پانزدهمین کنفرانس بین­المللی مهندسی حمل و نقل و ترافیک، 1394.
Abdel-Aty M, Yu R, “Analyzing crash injury severity for a mountainous freeway incorporating real-time traffic and weather data”, Safety Science, 2013.
Aghayan I, Hadji Hosseinlou M, Kunt M, “Application of Support Vector Machine for Crash Injury Severity Prediction: A Model Comparison Approach”, Journal of Civil Engineering and Urbanism, 2015.
Chen C, Zhang G, Qian Z, Rafiqul A, Tian Z, “Investigating driver injury severity patterns in rollover crashes using support vector machine models”, Accident Analysis and Prevention, 2016.
Chen S, Wang W, Van Z, “Construct support vector machine ensemble to detect traffic incident”, Expert Systems with Applications, 2009.
Chong M, Abraham A, Paprzicky M, “Traffic Accident Data Mining Using Machine Learning Paradigms”, Informatica, 2005.
Dong N, Huang H, Zheng L, “Support vector machine in crash prediction at the level of traffic analysis zones: Assessing the spatial proximity effects”, Accident Analysis and Prevention, 2015.
Li X, Lord D, Zhang Y, “Predicting Motor Vehicle Crashes Using Support Vector Machine Models”, Accident Analysis and Prevention, 2008.
Martín L, Baena L, Garach L, López G, Oña J, “Using data mining techniques to road safety improvement in Spanish roads”, Procedia- Social and Behavioral Sciences, 2014.
Moghaddam F, Afandizadeh Sh, Ziyari M, “Prediction of Accident Severity Using Artificial Neural Networks”, International Journal of Civil Engineering. 2011, 9 (1), 41-49.
Ren G, Zhou Z, “Traffic safety forecasting method by particle swarm optimization and support vector machine”, Expert Systems with Applications, 2011.
Yuan F, Cheu R, “Incident detection using support vector machines”, Transportation Research Part C. 2003.
Zhibin L, Pan L, Wang Wei, Chengcheng Xu, “Using support vector machine models for crash injury severity analysis”, Accident Analysis and Prevention, 2012, 478-486.
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز
دوره 49.3، شماره 96 - شماره پیاپی 96
پاییز 1398
آذر 1398
صفحه 35-43

فایل ها

هم رسانی

ارجاع به این مقاله

آمار