پیش‌بینی و بررسی عوامل تصادفات جاده‌ای با استفاده از الگوریتم ماشین بردار پشتیبان

شدت جراحت یکی از مهم‌ترین معیارهای سنجش هزینه‌ تصادفات است. شناسایی و اثرسنجی پارامترهای موثر بر شدت جراحت تصادفات می تواند به عنوان ابزاری جهت افزایش ایمنی در اختیار سیاست گذاران قرار گیرد. محققین زیادی در بخش ایمنی، سعی داشته‌اند با تحلیل تصادفات با رویکردها و مدل‌های مختلف، به بررسی این مهم بپردازند. هدف از این تحقیق بررسی عملکرد الگوریتم ماشین بردار پشتیبان در پیش بینی شدت تصادفات جاده های بین شهری ایران و تعیین عوامل تاثیرگذار بر شدت جراحت تصادفات است. مدل ماشین بردار پشتیبان تکنیک مدل سازی نسبتاً جدیدی در حل مسائل طبقه بندی و رگرسیون است که عملکردی دقیق و قابل قبول نشان می دهد. در این مطالعه با استفاده از داده‌های تصادفات جاده‌ای پلیس راهور برای هفت استان اصفهان، خوزستان، خراسان جنوبی، قم، قزوین، کرمان و مازندران، با به کارگیری الگوریتم ماشین بردار پشتیبان به پیش‌بینی شدت تصادفات در دو سطح جرحی یا فوتی پرداخته شد. نتایج نشان داد حضور وسیله نقلیه سنگین و خودروی سواری مهم ترین عامل در تخمین شدت تصادفات موتورسیکلت ها است و احتمال آسیب دیدگی را افزایش می دهد. در تصادفات مربوط به خودروی سواری عوامل خستگی و خواب آلودگی، حضور عابر پیاده، انحراف به چپ خودروی سواری بر شدت تصادفات خودروی سواری تاثیر مستقیم دارد. همچنین در تصادفات مربوط به کامیون ها، نتایج بیان می کنند انحراف به چپ کامیون، سن بالای راننده و افزایش سرعت خودرو، از مهم ترین عوامل افزایش سطح جراحت در این نوع تصادفات است. زمانی که تصادف کامیون به شکل واژگونی اتفاق بیافتد می توان انتظار سطح جراحت کم تری داشت.

Prediction and Investigation of Road Traffic Accident Severity Factors using Support Vector Machine Algorithm

Accidents as a threat factor to the transport system have widespread political, social, and economic dimensions, which is increasing in developing countries. Iran, as a developing country, has not escaped this danger, but in recent years it has taken preventive measures and crash statistics has been decreasing. Crash injury severity is one of the most important criterions of measuring the costs of accidents. Different methods have been used for predict modeling. Support Vector Machine is a relatively new modeling technique which was proposed to solve the classification and regression problems. That shows accurate and acceptable performance. In the present study, it has been tried to model the severity of accidents with a combination clustering and classification approach, with the help of neural network algorithms, simple parsing, SVM, KNN, and C4.5 algorithms and by comparing the algorithms used assess the ability of each of the algorithms in the prediction of the severity of accidents. The purpose of this study is to evaluate the performance of support vector machine algorithm to predict the severity of road accidents and identify the factors that affect the severity of accidents.