استفاده از روش‌های یادگیری ماشین در پیش‌بینی شدت تصادفات جاده‌ای (مطالعه موردی: استان زنجان)

بیشترین سهم تصادفات در جهان مربوط به کشورهای با درآمد متوسط و پایین است. از طرفی، آمار مجروحین و فوتی‌ها در تصادفات ترافیکی ایران رو به افزایش است؛ که بیانگر لزوم توجه و تمرکز بیش از پیش بر تحلیل تصادفات ترافیکی و یافتن علل موثر بر شدت تصادفات به منظور ارتقاء ایمنی راه‌های کشور و کاهش پیامدهای ناشی از آن می‌باشد. در مطالعه‌ی حاضر سعی شده‌است مهم‌ترین عوامل موثر بر شدت تصادفات برون‌شهری استان زنجان با دو مدل ماشین بردار پشتیبان و درخت تصمیم شناسایی شوند. بدین منظور از 25 هزار داده‌های تصادفات استان طی 9 سال اخیر استفاده شده‌است. پس از فرآیند پاکسازی داده‌ها، مدل‌ها در محیط برنامه‌نویسی پایتون توسعه داده شدند. نتایج تحلیل‌ها نشان داد در مدل ماشین بردار پشتیبان، نحوه تصادف، نوع وسیله و کیلومتر وقوع تصادف، و در مدل درخت تصمیم نحوه تصادف، نوع وسیله مقصر و کیلومتر وقوع تصادف به ترتیب سه متغیر دارای اهمیت برای پیش‌بینی شدت این تصادفات هستند. هم‌چنین بطور کلی درخت تصمیم قدرت پیش‌بینی بیش‌تری دارد و دقت این مدل در جراحات شدیدتر بیش‌تر از ماشین بردار پشتیبان می‌باشد.

applying machine learning methods to predict crash severity at rural roads case study of zanjan province

traffic crashes are a significant problem in low and middle income countries, while there is a worrying trend of increasing fatal and injury crashes iran. this highlights the urgent need to analyze the causes of such accidents to improve road safety and reduce their negative consequences. to address this issue, a study was conducted to investigate the factors that contribute to the severity of rural crashes in zanjan province, using advanced machine learning models such as support vector machine and decision tree. the study utilized a crash database of 25,000 incidents over a 9 year period, and after cleaning the data, the models were developed in python. the findings suggest that “type of crash”, “at fault driver's vehicle type”, and “kilometer occurrence of the crash” are key variables for predicting the severity of these crashes. the decision tree model was also found to be more accurate than the support vector machine model, particularly in predicting severe crashes. this study provides valuable insights for improving road safety and reducing the harmful effects of traffic crashes in rural areas.