شناسایی پارامترهای موثر بر شدت تصادفات بزرگراهی در شهر تهران

اکتشاف و تجزیه‌ و تحلیل پارامترهای مهمی که باعث وقوع تصادفات در بزرگراه‌ها می‌شوند، می‌تواند به بهبود ترافیک کمک کنند. این مقاله به یک مسئلۀ بهینه‌سازی چندپارامتری در راستای شناسایی پارامترهای موثر بر شدت تصادفات بزرگراهی در شهر تهران اشاره دارد و از یک مدل ترکیبی شبکۀ عصبی و الگوریتم ژنتیک برای انجام تجزیه ‌و تحلیل استفاده می‌کند. روش این پژوهش، توصیفی مقطعی است. جامعۀ آماری این پژوهش را داده‌های تصادفات در بزرگراه‌های شهر تهران در طول سال‌های 1394 تا 1396 تشکیل می‌دهند. در این پژوهش سعی شده است با استفاده از مدل ترکیبی شبکۀ عصبی و الگوریتم ژنتیک، پارامترهای موثر بر شدت تصادفات در شهر تهران شناسایی و اولویت‌بندی گردند. به این منظور در مدل ترکیبی، میزان شدت تصادف به‌عنوان متغیر وابسته و 4 دستۀ کلی از متغیرها یعنی آب‌وهوا، جاده، وسیلۀ نقلیه و راننده به‌عنوان متغیر مستقل در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعی و پیش‌پردازش داده‌ها، ساختار بهینۀ مدل شبکۀ عصبی تعیین و در نهایت، نتیجۀ مدل شبکۀ عصبی به‌عنوان ورودی الگوریتم ژنتیک در نظر گرفته شد. یافته‌ها علاوه بر تعیین پارامترهای اصلی موثر بر شدت تصادفات (رفتار راننده، چگونگی حرکت وسیلۀ نقلیه، نوع وسیلۀ نقلیه و وضعیت ایمنی سطح سواره‌رو بزرگراه‌ها) نشان می‌دهد که الگویتم ترکیبی، عملکرد خوبی در شناسایی پارامترهای موثر بر شدت تصادفات دارد و می‌تواند یک بینش جدید را در راستای طراحی الگو در جهت درک بهتر و پیشگیری از حوادث مرتبط با آسیب‌های تصادفات در آینده فراهم سازد.

Identifying the factors affecting accidents severity at 5highways in Tehran City

Identifying and analyzing crucial parameters that cause accidents in highways,can help improving traffic. This paper addresses a multiparameteroptimization problem in order to identify the parameters affecting the severityof accidents on highways in Tehran city and uses a combination model ofNeural Network and Genetic Algorithm to perform the analysis. The methodof this research is descriptivecrosssectional. The statistical population of thisstudy is the accidents data on the highways of Tehran during 20152016. Inthis research, it is attempted to identify and prioritize the parameters affectingthe severity of accidents in Tehran city using a combination model of neuralnetwork and genetic algorithm. For this purpose, in the hybrid model, theseverity of the accident is considered as the dependent variable and the fourgeneral categories of variables namely climate, road, vehicle and driver areconsidered as independent variables. Then, using artificial intelligence methodand data preprocessing, the optimal structure of the neural network model wasdetermined and finally, the result of the neural network model was consideredas the input of the genetic algorithm. The results not only determines andprioritizes the main parameters affecting the severity of accidents inTehran(including: 1 driver behavior, 2 how the vehicle is moving, 3 type ofvehicles and 4 highways safety status), but also Indicates that the combinationmodel of Neural Network and Genetic Algorithm has a good performance inidentifying the parameters affecting crash severity in Tehran, And couldprovide a new insight into designing a pattern to understand better and preventfuture accidentrelated accident injuries.