پیش‌بینی ایمنی ترافیک با استفاده از روش بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان

تصادفات جاده‌ای و تلفات ناشی از آن ‌یکی از چالش‌های کنونی جوامع بشری است که هزینه‌های اقتصادی زیادی را بر اقتصاد کشورها تحمیل نموده است. با توجه به اطلاعات مربوط به ایمنی ترافیک در مطالعات پیشین، تعیین برنامه‌ریزی ایمنی ترافیک با پیش‌بینی افزایش تصادفات رانندگی، بسیار حائز اهمیت می‌باشد. مدل های شبکه عصبی استفاده شده در این زمینه دارای خلاءهایی همچون ضعف در نقاط با تعداد تصادفات صفر و تفاوت نتایج در هر بار آزمایش می باشند، در این مطالعه به‌منظور حل مشکلات شبکه عصبی پس انتشار، یک روش جدید که ترکیب بهینه‌سازی گروه ذرات و ماشین راهنمای پشتیبان (pso-svm) می باشد با هم ترکیب می شوند تا به منظور پیش‌بینی ایمنی ترافیک مورد استفاده قرار گیرد. ابتدا عوامل موثر بر ایمنی ترافیک و شاخص‌های ارزیابی مورد تجزیه‌وتحلیل قرار می‌گیرند، سپس مدل پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه ذرات و ماشین راهنمای پشتیبان با توجه به عوامل موثر ایجاد می شود. در نهایت، داده‌های مربوط به ایمنی ترافیک از سال 1376 تا 1397 برای تحقیق در مورد توانایی پیش‌بینی روش پیشنهادی بکار گرفته می‌شوند. نتایج تجربی نشان می‌دهد که پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه ذرات و ماشین راهنمای پشتیبان برتر از شبکه عصبی پس انتشار است. مقادیر میانگین مطلق خطا برای پیش‌بینی تعداد تصادفات توسط بهینه‌سازی گروه ذرات و ماشین راهنمای پشتیبان و شبکه عصبی پس انتشار به ترتیب مقادیر 0.0281 و 0.0498 را به خود اختصاص دادند. مدل‌های ساخته شده در این مطالعه دارای نوسانات بیشتری نسبت به داده‌های مشاهده می باشند، بنابراین می‌توان به منظور تنظیم مدل‌های مذکور، مدل‌های دقیق تری ایجاد نمود. میزان خطا در مدل های مربوط به تعداد مجروحین کمتر از داده‌های تعداد تصادفات و تلفات می‌باشد، که می‌توان علت این موضوع را به تعداد داده‌های بیشتر مربوط دانست.

Predicting Traffic Safety Using PSO-SVM Method and Back Propagation Neural Network

Road accidents and the resulting casualties are one of the current challenges of human societies that have imposed great economic costs on the economies of countries. Given the information on traffic safety in previous studies, it is very important to determine traffic safety planning in anticipation of an increase in traffic accidents. The neural network models used in this field have gaps. In this study, in order to solve the neural network problems after diffusion, a new method that combines particle group optimization and support machine (PSO - SVM) combined to be used to predict traffic safety. First, the factors affecting traffic safety and evaluation indicators are analyzed, then the traffic safety forecasting model is created by PSO - SVM according to the effective factors. Finally, traffic safety data from 1997 to 2018 are used to investigate the predictive ability of the proposed method. Experimental results show that traffic safety prediction by PSO - SVM is superior to post - diffusion neural network. MAPE values for predicting the number of events by PSO-SVM and post-diffusion neural network were 0.0281 and 0.0498, respectively. Models have more fluctuations than observation data, so more accurate models can be created to adjust these models. Due to the fact that the error in the data related to the number of injured is less than the data on the number of accidents and casualties, the cause can be related to the number of more data