گسترش مدل نوین مبتنی بر شبکه عصبی پیچشی و نظم دهی حذف تصادفی تغییراتی در برآورد شدت تصادفات

مطالعات شدت ترافیک از جهت تلفات و خسارات ناشی از تصادفات جاده ای از اهمیت زیادی برخوردار هستند. مطالعات مختلفی در راستای مدل سازی شدت ترافیک انجام شده که اکثریت این مدل ها از روش های آماری استفاده کرده اند و استفاده از روش های مبتنی بر شبکه های عصبی در این زمینه محدود بوده است. روش های آماری فرضیات مشخصی در رابطه با داده ها و متغیر ها دارند که در صورت تخطی مساله از آنها، استنباط آماری تحت تاثیر قرار خواهد گرفت. این در حالی است که روش های مبتنی بر شبکه های عصبی این فرضیات را نداشته و از این حیث نسبت به روش های آماری برتری دارند. اگرچه که برخی مشکلات در زمینه بکار گیری شبکه های عصبی وجود دارد. یکی از این اشکالات سختی بهینه سازی ابر پارامتر نظم دهی به علت زمان محاسباتی بالا در شبکه های عصبی است. در این راستا پژوهش پیش رو مدلی بر مبنای شبکه عصبی عمیق پیچشی بیزی ارایه کرده است و با استفاده از روش نظم دهی حذف تصادفی تغییراتی، نیاز به روش های جستجوی شبکه ای و اعتبار سنجی متقابل برای یافتن مقدار بهینه ابر پارامتر نظم دهی را از بین برده است. این مدل، روشی ساختار مند برای پیدا کردن ابرپارامتر نظم دهی توامان با آموزش مدل ارایه کرده است. بدین منظور داده های تصادفات جاده های دو خطه دو طرفه جدا نشده کشور ایران مورد استفاده قرار گرفته اند. مدل پیشنهادی با مدل لوجیت ترکیبی و دو مدل دیگر مبتنی بر شبکه عصبی پیچشی بدون نظم دهی و با نظم دهی حذف تصادفی مقایسه شده است. نتیاج نشان می‌دهند که عملکرد مدل پیشنهادی در تمامی شاخص های مقایسه به نسبت سایر مدل ها بهتر بوده است.

a novel bayesian convolutional neural network with variational dropout in crash severity estimation

due to high socio-economical costs of traffic crashes, accident injury prediction is an important aspect in safety related studies. although statistical methods have been traditionally applied in crash severity prediction, there are some limitations regarding their application, hence limiting their usage in various tasks? with the aim of overcoming such limitations, machine learning methods have been developed and successfully applied in numerous fields including traffic safety. deep neural networks are a field of research in machine learning which have been able to achieve state of the art performance in variety of fields. however, their usage has been limited in safety critical fields due to number of drawbacks. the current study addresses two of such drawbacks; namely, their inability to provide uncertainty measures in their predictions and time consuming hyperparameter optimization, due to high computational complexity. hence, the current study proposed a novel approach to deep neural networks. the proposed lrt-cnn-vd model aims to provide uncertainty measures using bayesian neural networks, and simultaneously provides a bayesian justification for dropout regularization which renders grid search methods for regularization’s hyperparameter tuning useless. in order to evaluate our model’s performance, comparisons are made between the proposed model and two convolutional neural network models and a binary logistic regression model. results show improvement across different evaluation metrics, and regularization performance on par with dropout regularization.