شناسایی عوامل موثر و بررسی تصادف‌های ترافیکی با استفاده از رویکردهای داده‌کاوی (مطالعه موردی آزادراه تهران-قم)

هدف اصلی این پژوهش شناسایی عوامل کلیدی و بررسی الگوریتم‌های مختلف داده‌کاوی در تصادفات ترافیکی در ایران، بخصوص در جاده‌های برون شهری است. تصادفات ترافیکی برون شهری یکی از منابع اصلی جهت تجزیه و تحلیل و بررسی شدت حوادث رانندگی و علل موثر برآنها است. در ادامه مجموعه قوانینی که می‌تواند در شناسایی عوامل و تاثیر آن‌ها در کاهش تصادفات موثر باشد استخراج خواهد شد. 5099 رکورد از داده‌های جمع آوری شده از محور تهران قم در استان تهران مورد استفاده قرار گرفت. برای دستیابی به اهداف این پژوهش از تکنیک‌های مختلف داده‌کاوی استفاده گردید. به همین منظور از روش ارزیابی انتخاب مبتنی بر همبستگی برای شناسایی عوامل موثر و انتخاب بردار ورودی استفاده گردید. سپس 6 الگوریتم داده‌کاوی، بیزین ساده، لجیستیک، پرسپترون چندلایه، کلاس‌بندی از طریق رگرسیون، قوانین استنتاجی(پارت) و درخت تصمیم‌گیری جی48، برای پیش‌بینی دقت مدل‌های مورد ارزیابی با استفاده از نرم افزار داده‌کاوی وکا مورد استفاده قرار گرفتند؛ همچنین از الگوریتم اپریوری به همراه دو مدل جی48 و پارت جهت استخراج قوانین استفاده شد. نتایج حاصل از استخراج قوانین نشان داد که حضور عامل تصادف در صحنه تصادف، نوع برخورد، مانع دید، موقعیت تصادف، شرایط سطح راه، هندسه محل تصادف و علل مستقیم بیان شده توسط پلیس برای تصادف از مهم‌ترین عواملی بودند که در قوانین استخراج شده از مجموعه قوانین به آن‌ها اشاره شده و بیشترین تعداد تکرار را  داشتند. نتایج نشان دادند که الگوریتم‌های پرسپترون و پارت بهترین عملکرد را در میان سایر الگوریتم‌ها جهت پیش‌بینی در اختیار داشتند.

Identifying Effective Factors and Predicting Road Accidents Using Data Mining Approaches (Case Study of TehranQom)

The main purpose of this study, Modeling, identifying key factors and investigating various data mining algorithms in traffic accidents in Iran, especially on urban roads. The following was extracted set of rules that can be effective in identifying key factors and their impact in reducing accidents. The data included 5099 records of traffic accidents on the TehranQom road in Tehran during a fouryear period. Each accident record consisted of 57 accidents related to accidents. In the preprocessing, the greedy search algorithm was used to find the best subset of factors. After the preprocessing, reduced records used. Finally, 8 characteristics, accident factor, type of collision, visual impedance, accident situation, road surface conditions, location geometry, direct causes and type of accident were investigated. To achieve the objectives of this research, seven different data mining techniques were used. 6 Data mining algorithms were used to predict and identify key factors using WEKA data mining software; These algorithms include: J48, PART, Logistic, Classification via Regression, Naïve Bayesian and Multilayer Perceptron. Also, the apriori algorithm was used to extract the rules. The results showed that Perceptron and Part algorithms had the best performance among other algorithms to predict. Algorithm Naïve Bayesian despite being in the range of acceptable has a weaker performance than other algorithms, both in model accuracy and coverage. Several of the most important factors of the set of rules were road accidents, flat and straight geometry, Lack of visibility barrier And attending the accident site.