ارزیابی عوامل موثر بر تصادفات عابرین پیاده در خیابانهای شهری و ارائه مدلی برای پیش بینی این تصادفات(مطالعه موردی شهر زنجان)

افزایش سطح ایمنی در بخش حمل ونقل جاده های برون شهری، همواره یکی از مهمترین مباحث موردتوجه در سیستم حمل و نقل بوده است. در بین صنایع حمل ونقل کشوری، صنعت حمل ونقل برون شهری همواره دارای بیشترین آمار تلفات می باشد. با شناسایی شاخص های ایمنی و نقاط حادثه خیز برون شهری و افزایش سطح ایمنی آنان، می توان درصد خسارات و تلفات را در حد چشمگیری کاهش داد. تحقیقات برای مدلسازی شیوه عملکرد انسان منجربه ایجاد دو زمینه تحقیقاتی جدید، شبکه های عصبی و سیستم های فازی گردیده است. شبکه های عصبی، سیستم های دینامیکی هستند که با الگوبرداری از نحوه عملکرد سیستم عصبی و مغز انسان با پردازش بر روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند و با تکیه بر قابلیت یادگیری و توانایی پردازش موازی قادر به حل مسائل پیچیده می باشند. سیستم های فازی بر پایه نحوه تصمیم‌گیری تقریبی انسان به مدل‌سازی کمیت ها به صورت کیفی و شهودی پرداخته و به این ترتیب در مواجهه با نامعینی ها تلاش می کنند. سادگی و قابلیت فهم این روش از مزایای آن محسوب می شود. سیستم های عصبی- فازی با ترکیب دو روش از قابلیت یادگیری و پردازش موازی شبکه های عصبی و استنتاج تقریبی فازی استفاده می کنند. در این پژوهش یک شبکه عصبی- فازی بازگشتی برای پیش‌بینی میزان تصادفات طراحی شده است سپس الگوریتم ژنتیک به منظور روشی نوین در آموزش این شبکه مطرح شده و به مقایسه آنها پرداخته شده است.

evaluation of the factors influencing the pedestrian road accident in the city and providing a model for predicting the accident (case study: zanjan)

increasing the level of safety in the road transport sector has always been one of the most important issues in the transportation system. in the national transport industry, the outsourcing industry always has the highest casualties. by identifying the safety indicators and the points of the extra-urban accident and increasing their level of safety, the percentage of losses and losses can be greatly reduced. research for modeling human performance has led to the creation of two new research fields, neural networks and fuzzy systems. neural networks are dynamic systems that, by simulating the functioning of the nervous system and the human brain by processing on experimental data, transfer knowledge or law beyond the data to the network structure, and relying on the ability to learn and ability parallel processing is capable of solving complex problems. fuzzy systems, based on the approximate human decision-making process, are quantitatively and intuitively modeled quantitative, and thus they are trying to deal with uncertainties. the simplicity and comprehensiveness of this method are its advantages. neuro-fuzzy systems combine two methods of parallel learning and processing of neural networks and approximate fuzzy inference. in this research, a neuro-fuzzy recurrence network is designed to predict the number of accidents. then, the genetic algorithm is proposed for a new method in the training of this network and compared to them.