ارائه مدل پیش بینی تعداد تصادفات حمل و نقل کالا مشتمل بر فوتی و جرحی با استفاده از برنامه ریزی ژنتیک

امروزه به دلیل اهمیت یافتن حمل‌ونقل در کشورهای رو به توسعه، پرداختن به مباحث مرتبط با برنامه‌ریزی ایمنی حمل‌ونقل نیز اهمیت زیادی پیداکرده است. یکی از موضوعات مهم در مبحث برنامه‌ریزی ایمنی، همگام‌سازی برنامه‌ریزی ایمنی با مراحل برنامه‌ریزی حمل‌ونقل است و پیش‌بینی تصادفات در مقیاس کلان از مولفه‌های آن به شمار می‌رود. هدف از انجام این پژوهش ارائه یک مدل ریاضی برای پیش‌بینی تعداد تصادفات شدید حمل‌ونقل جاده‌ای کالا هم گام با برنامه‌ریزی حمل‌ونقل و تعیین مناسب‌ترین مرحله برنامه‌ریزی برای ساخت مدل‌های پیش‌بینی تصادفات در سطح کلان است. در این مقاله با بررسی عوامل اثرگذار بر تصادفات، مدل کلان با استفاده از روش برنامه‌ریزی ژنتیک ارائه‌شده است. به این منظور از اطلاعات سال‌های 1390 تا 1393 به‌عنوان داده‌های پایه و از آمار سال 1394 برای اعتبارسنجی مدل استفاده‌شده است و بر اساس داده‌های هریک از مراحل برنامه‌ریزی، مدل‌های جداگانه‌ای ساخته‌شده و پس از مقایسه بین آن‌ها مدل مبتنی بر متغیرهای تولید سفر به‌عنوان مدل بهینه شناسایی و انتخاب‌شده است. نتایج نشان داده است از بین داده‌های چهارگانه متناظر با مراحل برنامه‌ریزی حمل‌ونقل، متغیرهای مرحله تولید سفر مناسب‌ترین گروه داده‌ها برای ساخت مدل پیش‌بینی تصادفات حمل‌ونقل جاده‌ای کالا در سطح کلان هستند.

Developing a model for predicting the number of freight accidents involving death and injuryUsing Genetic Planning

Today, due to the importance of transportation in developing countries, addressing the issues related to transportation safety planning has also become increasingly important. One of the important issues in the field of safety planning is the synchronization of safety planning with the stages of transportation planning and predicting largescale accidents is one of its components. The purpose of this research is to present a mathematical model for predicting the number of severe road traffic accidents along with transport planning and determine the most appropriate planning stage for building macro level accident prediction models. In this paper, by examining the factors affecting accidents, the macro model is presented using genetic programming method. For this purpose, data from the years 2011 to 2014 were used as baseline data and statistics from year 2015 were used to validate the model. Based on the data of each planning step, separate models were developed and after comparison between them, the model based on travel production variables was identified as the optimal model. The results show that among the data corresponding to the transport planning stages, the variables of the trip generation stage are the most appropriate data set for modelling of predicting road freight accidents.