توسعه مدل تخمین طول بهینه پنجره لغزان برای غربالگری شبکه راه‌های برون‌شهری

پنجره لغزان یکی از روش های غربالگری شبکه راهها برای شناسایی نقاط پرتصادف است. در این روش دو پارامتر مهم شامل طول پنجره و حداقل تعداد تصادف در هر نقطه وجود دارد که میزان هریک توسط کاربر تعریف می‌‌‌شود. بررسی پژوهش‌های قبلی نشان می‌‌‌دهد که تغییر میزان طول پنجره و فاصله لغزشی به طور قابل توجهی بر روند جستجوی نقاط پرتصادف تاثیر می‌گذارد و می‌تواند نتایج متفاوتی داشته باشد. طبق بررسی های صورت گرفته، طول پنجره و فاصله لغزشی براساس قضاوت مهندسی و با استفاده از تجارب قبلی انتخاب می‌شود و از روش‌های آماری و علمی برای محاسبه میزان بهینه این پارامترها استفاده نشده است. در پژوهش حاضر، ضمن بررسی ویژگی‌های روش مذکور، متدولوژی جدیدی براساس چارچوب بهینه‌سازی روش پنجره لغزان جهت شناسایی دقیق‌تر نقاط پرتصادف پیشنهاد شده است. روش پیشنهادی اجازه می‌دهد تا طول پنجره لغزان بصورت پویا تخمین زده شود. متدولوژی بهینه‌سازی به این صورت است که ابتدا راه مورد‌نظر قطعه‌بندی شده و برای هر قطعه چندین سناریوی مختلف از طول پنجره با بکارگیری الگوریتم خوشه‌بندی مبتنی بر تراکم(dbscan) انتخاب می شود. سپس تابع عملکرد ایمنی (spf) در راه موردنظر توسعه داده می‌شود و تعداد تصادفات پیش‌بینی و موردانتظار و تفاوت این دو به عنوان پتانسیل بهبود ایمنی(psi) در هر جابجایی پنجره و برای همه سناریوهای انتخابی در قطعه محاسبه می‌شود. در نهایت از طریق محاسبه میانگین اختلاف‌ها با استفاده از آنالیز واریانس طولی که دارای کمترین میزان پراکندگی مقادیر اختلاف‌ها نسبت به میانگین باشد به عنوان طول بهینه پنجره در هر قطعه تعیین می شود. نتایج این پژوهش نشان داد که در کلیه قطعه‌ها حداقل در یک حرکت پنجره با طول بهینه تخمینی، spf پنجره سطح دقت مطلوب را برآورده کرده است. همچنین با حرکت پنجره با طول‌های پویای بهینه تعداد 122 نقطه کاندید پرتصادف شناسایی شد که در مقایسه با نتایج پنجره با طول های ثابت 300، 500 و 1000 متری مشخص شد از تراکم تصادف و طول مفید بیشتری برخوردار است.

development of a model for the optimal sliding window length estimation to road network screening

sliding window is one of the road network screening methods to identify black spots. there are two parameters which are required to be defined by the user: the window length and the minimum number of crashes per black spot. based on previous studies, changing the window length significantly affects the process of black spots identification. in other words, changing window length and increment length leads to different results. the reviews show that, window length and increment length are selected based on engineering judgment or using the previous experiences, and statistical techniques and scientific methods have not been used. in this research, a new method is proposed based on optimizing the framework of the sliding window method by examining its features. the new method allows the sliding window length to be estimated dynamically. the optimization methodology is as follows: first, the desired road is segmented and for each segment, several different scenarios of window length are selected using the density-based clustering algorithm. then the safety performance function is developed and the number of predicted and expected accidents and the difference between them as the potential safety improvement is calculated for each window movement for all selected scenarios in the segment. finally, by calculating average differences using the analysis of variance, the length that has the lowest dispersion of difference values compared to the mean is determined as the optimal length of the window in each segment. the results of this study showed that in all segments, at least in a single movement of the window with the estimated optimal length, the spf-value of the window has met the desired level of accuracy. also, by moving the window with optimal dynamic lengths, 122 prone black spots identified, which has more crash density and effective length compared to the results of windows with fixed lengths of 300, 500 and 1000 meters.