پیش بینی حوادث ترافیکی بر اساس وضعیت آب‌وهوا در استان گیلان با استفاده از شبکه عصبی مصنوعی

مقدمه: حوادث ترافیکی یکی از دلایل اصلی مرگ ومیر در سراسر جهان از جمله ایران محسوب می شود. عوامل متعددی در بروز حوادث ترافیکی نقش دارند که با استفاده از مدل های مختلف می توان این عوامل را شناسایی و بروز حوادث ترافیکی را پیش بینی کرد. هدف این مطالعه پیش بینی حوادث ترافیکی بر اساس وضعیت آب‌وهوا با استفاده از شبکه عصبی مصنوعی می‌باشد.روش ها: پژوهش حاضر به روش کمی بین سال های 1393 تا 1396 انجام شد که داده های ترافیکی طی با استفاده از شبکه پرسپترون چندلایه بررسی شد. متغیرهای ورودی شبکه شامل حداقل دما، میانگین دما، متوسط بارش، حداکثر سرعت باد، یخبندان، فشار هوا، غلظت مه و متغیر خروجی نیز تعداد تصادفات در محیط موردمطالعه بود.یافته ها: شبکه طراحی‌شده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینه سازی لونبرگمارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی به‌عنوان شبکه بهینه انتخاب شد. یافته ها نشان داد که شبکه طراحی‌شده با ضریب همبستگی (r= 0.90) و میانگین مربع خطا (mse= 0.01) توانایی بالایی در پیش بینی حوادث ترافیکی دارد.نتیجه‌گیری: با توجه به اهمیت پیش بینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه می تواند جهت گسترش اقدامات پیشگیرانه موثرتر برای سیاست‌گذاران و محققان قابل‌استفاده باشد. با توجه به نتایج بدست آمده شبکه عصبی کارایی خوبی برای پیش‌بینی کوتاه‌مدت جریان ترافیک از خود نشان داده است.

Prediction of traffic accidents based on weather conditions in Gilan province using artificial neural network

Introduction: Road traffic accidents are one of the leading causes of death worldwide, including Iran. There are several factors involved in the occurrence of them; using different models, these factors can be identified and the occurrence of road traffic accidents can be predicted. The purpose of this study was to predict road traffic accidents based on weather conditions using artificial neural network model.Methods: In the present study, traffic data during the years 2014 to 2017, were examined using a multilayer perceptron network. Network input variables included minimum temperature, average temperature, average rainfall, maximum wind speed, glaciation, air pressure, fog concentration and output variable was the number of accidents.Results: The designed network with seven neurons in the input layer, four neurons in the middle layer, and one neuron in the output layer with LunbergMarquardt optimization function and sigmoid tangent transfer function in the middle layer and linear transmission function in the output layer was selected as the optimal network. The results showed that the designed network with the correlation coefficient of 0.90 and mean square error of 0.01 has a high ability to predict road traffic accidents.Conclusion: The results showed that the artificial neural network has a good performance for predicting road traffic accidents. Given the importance of predicting road traffic accidents and its role in promoting the health of people in such accidents, the results of this study can be used to expand more effective preventive measures for policy makers and researchers.