بهبود سری زمانی سوانح ترافیکی زمانمند با کمک شبکه‌های عصبی مصنوعی، مبتنی بر سیستم اطلاعات مکانی مطالعه موردی آزادراه کرج – قزوین

این مطالعه مدل‌سازی بهینه، داده‌های سوانح ترافیکی زمانمند را در مقیاس‌ روزانه برای محور کرج قزوین به‌عنوان یکی از محورهای حادثه‌خیز ایران در طی سال‌های 1388 تا 1392 با دو روش سری زمانی و شبکه عصبی مصنوعی برمبنای سیستم اطلاعات مکانی بررسی می‌نماید. الگوهای زمانی مخاطرات جاده‌ای، با در نظر گرفتن مولفه‌هایرَوَند و دوره‌ای، نوع و مرتبه مدل، توابع خودهمبستگی و خودهمبستگی جزئی، داده‌های سوانح ترافیکی زمانمند (حجم نمونه 1097 حادثه) به‌دست‌آمده است. درروش پیشنهادی اول میزان وابستگی حوزه زمان و مرتبه مدل زمانی محاسبه‌شده است و درروش دوم معماری‌های مختلف از شبکه ‌عصبی ‌مصنوعی پرسپترون چندلایه جهت تعیین بهینه‌ترین عملکرد تشخیصی پیاده‌سازی گردید. برای ارزیابی شبکه نیز شاخص‌های مشخصه، ضریب تبیین و صحت مورداستفاده قرار گرفت و برای محاسبات دو مدل در سناریوهای مختلف از نرم‌افزار arcgis و مطلب استفاده‌شده است. بر اساس نتایج مدل شبکه عصبی مصنوعی با مقدار ضریب تبیین  و خطای جذر میانگین مربعات 10.71 می‌تواند نرخ رخداد حوادث روزانه را تااندازه‌ای بهتر از روش سری زمانی و خودهمبستگی جزئی با مقدار ضریب تبیین  و خطای جذر میانگین مربعات 14.31 برآورد کرد. لازم به ذکر است، ارائه مدل داده‌های سوانح ترافیکی با مدل شبکه عصبی مصنوعی و خودهمبستگی جزئی در مقیاس‌ روزانه، تاکنون در تحقیقات و مطالعاتِ مشابه‏ مشاهده نشده است.

Optimal Time Series of Temporal Traffic Accidents using Artificial Neural Network, based on Spatial Information System (Case Study: Karaj - Qazvin Freeway)

The present study attempts to optimally model the daily temporal traffic accidents on KarajQazvin freeway, as one of Iran’s accidentprone roads between 20092013, using two methods of Time Series and Artificial Neural Network, based on spatial information system. Temporal patterns of road hazards are obtained from temporal traffic accident data (sample size equals to 1097) by taking into account trend and periodic components, model type and order, Autocorrelation and Partial Autocorrelation Functions. In the former method, the dependence of time domain and the order of temporal model were calculated and in the latter method, different architectures of Multilayer perceptron (MLP) (a Feedforward Artificial Neural Network) were implemented to determine the most optimum diagnostic performance. Characteristic indices, coefficient of determination and accuracy were used to evaluate the network and ARCGIS and MATLAB software were used to calculate the two models in different scenarios. The results indicate that the Artificial Neural Network model, with coefficient of determination and root mean square error 10.71, can estimate the rate of daily accidents somewhat better than the Time Series method and Partial Autocorrelation with coefficient of determination and root mean square error 14.31. It should be noted that the modeling of daily traffic accident data using Artificial Neural Network model and Partial Autocorrelation, has not yet been presented in similar studies and research.