ارائه مدل ترکیبی به منظور پیش‌بینی تصادفات شهری بر اساس پارامترهای ساختار مکانی شبکه معابر (رویکرد مطالعه موردی)

امروزه ایمنی جاده‌ای یکی از دغدغه‌های بزرگ مهندسان ترافیک است، زیرا تصادفات اثرات زیادی روی زندگی مردم داشته‌اند. بنابراین پیش‌بینی قطعات حادثه‌خیز شبکه معابر جهت جلوگیری از وقوع تصادفات آتی و بهبود ایمنی ترافیک بسیار حائز اهمیت است. یکی از مهم‌ترین عواملی که باعث بروز تصادفات می‌شود، ساختار مکانی شبکه معابر است. ساختار مکانی شبکه معابر مرتبط با آرایش و چیدمان اجزای شبکه معابر است که به عنوان یک قید مکانی بر جریانات شهری بسیار تاثیرگذار است. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین پارامترهای ساختار مکانی موثر در پیش‌بینی قطعات حادثه‌خیز (منطقه سه شهر تهران) است. در این راستا از ترکیب رگرسیون وزن‌دار مکانی (کرنل‌های نمایی و مربع دوگانه) و الگوریتم بهینه‌سازی ازدحام ذرات گسسته استفاده گردید. روش ترکیبی پیشنهادی مناسب برای مسائل رگرسیون مکانی است، زیرا این روش با دو خواص منحصر به فرد داده‌های مکانی یعنی خودهمبستگی مکانی و ناایستایی مکانی سازگار است. بهترین مقدار تابع برازش (1-r^2) برای کرنل‌های نمایی و مربع دوگانه به ترتیب 0.064 و 0.003 به دست آمد. هم‌چنین مشخص شد که پارامترهای ساختار مکانی تاثیر قابل توجهی بر پیش‌بینی قطعات حادثه‌خیز در منطقه موردمطالعه دارند.

Presenting an integrated model for predicting urban accidents based on spatial structure parameters of the road network (case study approach)

Today, road safety is a great concern for traffic engineers, because accidents have imposed extensive impacts on the quality of people’s life. Therefore, it is very important to predict accidentprone sections of the road network to prevent future accidents and improve traffic safety. One of the most important factors that cause accidents is the spatial structure of the road network. The spatial structure of the road network is related to the arrangement and layout of the road network components, which as a spatial constraint is very influential on urban flows. The novelty of this study is to present a new combination approach to determine the effective spatial structure parameters in predicting accidentprone sections (District 3 of Tehran city). In this regard, the combination of geographically weighted regression (exponential and bisquare kernels) and binary particle swarm optimization algorithm was used. The recommended combination method is suitable for spatial regression problems, because it is compatible with two unique properties of spatial data, i.e. spatial autocorrelation and spatial nonstationarity. The best value of the fitness function (1R2) for exponential and bisquare kernels was obtained 0.064 and 0.003, respectively. It also found that spatial structure parameters had a significant impact on predicting accidentprone sections in the study area.