ارائۀ مدل پیش‌بینی تعداد تصادفات در میادین شهری به کمک شبکۀ عصبی (نمونۀ موردی: شهر اردبیل)

زمینه و هدفده درصد کل تصادفات در منطقۀ موردمطالعۀ مربوط به تصادفات در میادین شهری می‏باشد. هدف از این پژوهش، تعیین پارامترهای موثر در تصادفات در میادین شهری و ارائۀ مدل پیش‌بینی فراوانی تصادفات می باشد.روش           روش این پژوهش به‌صورت توصیفی - پیمایشی است. در این پژوهش، 456 تصادف که در 26 میدان شهر اردبیل از سال 1393 تا 1395 رخ داده است، بررسی و عوامل موثر در هریک از آن تصادفات جمع‏آوری شدند. عوامل به‌صورت پرسش‏نامه طراحی شد تا با استفاده از روش طیف لیکرت و روش دلفی و نظرسنجی از خبرگان، عوامل موثر پالایش و پارامترهای نهایی جهت مدل‌سازی انتخاب شوند. نمونۀ آماری، 102 نفر انتخاب شد. تعداد 40 پارامتر اولیۀ موثر در تصادفات انتخاب شدند. پرسش‏نامه‏ها با آزمون‏های آماری و میانگین و توان افتراقی تجزیه‌وتحلیل شدند که تعداد 16 پارامتر با تاثیر بالا برای مدل‌سازی شناخته شدند. تحلیل و مقایسۀ نتایج مدل‌سازی به دو روش انجام شد؛ روش اول، استفاده از مدل آماری رگرسیون خطی با نرم‏افزار مینی تب 14 و روش دوم، استفاده از مدل شبکۀ عصبی مصنوعی با نرم‏افزار متلب است.یافته هانتایج تحلیل آماری نشان می‏دهد که از بین مدل‏های رگرسیون ارائه‌شده، بهترین مدل پیش بینی فراوانی تصادفات شامل سه پارامتر حجم ترافیک میدان، تعداد معابر منتهی به میدان، وجود یک مکان تولید و جذب سفر است. همچنین نتایج تحلیل شبکۀ عصبی نیز نشان داد که مدل برتر در پیش بینی تعداد تصادفات، مدلی با 4 پارامتر ورودی حجم ترافیک اصلی، وجود ایستگاه تاکسی و اتوبوس، سرعت‏گیر در معابر اصلی و تعداد معابر منتهی به چهارراه است.

Providing model of accident prediction in urban squares using neuralnetwork (case study: Ardabil City)

Background and aim: Ten percent of all accidents in the study area arerelated to accidents in urban squares. The purpose of this study was todetermine the effective parameters of accidents in urban squares and to presenta model of accident prediction.Method: method of this research is descriptivesurvey. In this study, 456accidents were studied that occurred in 26 squares of Ardabil city from 2014 to2016 and were collected the effective factors on each of those accidents.Factors were designed as a questionnaire to select the effective refining factorsand final parameters for modeling using Likert spectrum method and Delphimethod and polling of expert. Statistical sample was selected 102 persons. 40initial effective parameters of the accidents were selected. Questionnaires wereanalyzed by statistical tests, mean and differential power, which identified 16highimpact parameters for modeling. The analysis and comparison of themodeling results were done in two ways. The first method is using a linear regression statistical model with MiniTab software 14 and the second methodusing artificial neural network model with matlab software.findings: The results of statistical analysis show that among the presentedregression models, the best model of accident frequency prediction is consistedof three parameters of square traffic volume, number of passages leading to thesquare, existence of a production site and trip absorption. as well as the resultsof neural network analysis show that the above model in predicting the numberof accidents, is model with four main traffic volume input parameters, thepresence of the taxi station and bus, speed bump on the main pathways, thenumber of passages leading to the intersection.