ارائه روش استراتژیک ایمنی مبادی وروی شهری بر مبنای عوامل موثر بر تصادفات با استفاده از مدل های شبکه عصبی و رگرسیون پواسون

زمینه و هدف: با توجه به این‌که تصادفات مبادی ورودی شهرها در راه‌های چندخطه برون‌شهری سهم قابل ملاحظه ای در تصادفات جاده ای دارند، به‌عنوان چالش دهه اخیر، کاهش این نوع تصادفات و ارائه راه‌کارهای متناسب برای افزایش ایمنی این نوع جاده ها ضروری است؛ بنابراین اهداف پژوهش حاضر عبارت‌انداز: شناسایی و اولویت بندی عوامل موثر در تصادفات ورودی جاده های چند خطه برون شهری و سپس ارائه مدل استراتژیکی کنترلی مبتنی بر عوامل موثر اولویت بندی‌شده در تصادفات این نوع راه‌ها با درجه عملکردی مختلف است.روش: ابتدا به تعداد تصادفات و متغیرهای مرتبط در محورهای مورد مطالعه در محدوده شهرها در استآن های تهران، اصفهان و یزد پرداخته می شود و سپس اولویت بندی متغیرها با استفاده از مدل شبکه عصبی پرسپترون مبتنی بر ریشه دوم میانگین مربعات خطا و تحلیل حساسیت و مدل رگرسیون پواسون منطبق بر ضریب اهمیت و مقدار آماری t صورت می‌گیرد. درنهایت مقایسه عملکردی مدل های پیشنهادی در اثرگذاری عوامل موثر برای استراتژی های پیشنهادی به دست می آید.یافته ها: نتایج حاصل از پژوهش حاضر نشان داد که برترین مدل، شبکه عصبی پیش‌خور با تابع آموزشی لِوِنبرگ مارکوادت دارای 7 متغیر ورودی و 5 نورون پنهان دارای مقدار ریشه میانگین مربعات خطای 020/1 است که به‌ترتیب متغیرهای شیب طولی، سرعت عملکردی، تغییر تعداد خطوط راه، درصد خودروهای سنگین، درجه عملکردی راه، دوربین کنترل سرعت و عرض راه مهم ترین عوامل مژثر بر تعداد تصادفات در راه ها با درجه عملکردی مختلف است. درحالی که، براساس مدل رگرسیون پواسون 6 متغیر موثر به ترتیب شامل: سرعت عملکردی، شیب طولی، عرض راه، تغییر تعداد خطوط راه، درجه عملکردی و درصد خودروهای سنگین هستند. هم‌چنین نتایج اثرگذاری متغیرها و عوامل اثرگذار براساس دو مدل پیشنهادی نشان داد که شیب طولی مسیر در مدل شبکه عصبی و رگرسیون پواسون توانسته به ترتیب 40 درصد و 45 درصد برای راه‌های اصلی درجه یک نسبت به بقیه متغیرهای موثر تعداد تصادفات را کاهش دهد.نتیجه گیری: مقایسه عملکردی دو مدل پیشنهادی شبکه عصبی و رگرسیون پواسون نیز در اثرگذاری عوامل موثر برای استراتژی های پیشنهادی نشان داد که مدل رگرسیون پواسون با خطای پیش بینی کمتر، قابلیت زیادی در شناسایی و اثربخشی استراتژی های ایمنی نسبت به مدل شبکه عصبی دارد.

A Road Safety Strategy for Cities Entrance Roads Based on Effective Factors of Accidents using Artificial Neural Network and Poisson Regression Models

Due to the fact that accidents at cities entrance roads have a significant role in road accidents. Accordingly, this issue has been one of the challenges of the last decade to reduce accidents and provide appropriate strategies for increasing the road safety. Thus, the objectives of the present study are first to identify and prioritize the factors affecting the accidents of cities entrance roads in 26 different types of roads in Tehran, Isfahan and Yazd provinces using artificial neural network multilayer perceptron (ANNMLP) and Poisson Regression (PR) models. Then, the study presents a road safety strategy model for controlling accidents regarding effective factors prioritized with various degrees of road performance. The results of the present study showed that the best model is the feedneural network with LevenbergMarquadt training function with 7 input variables, and 5 hidden neurons which the root mean square error (RMSE) of this model is 1.020 which includes longitudinal slope, operating speed, change the number of lanes, the percentage of heavy vehicles, degree of road performance, speed control camera, and road width. However, PR model indicated that operating speed, longitudinal slope, road width, change the number of lanes, degree of road performance, and the percentage of heavy vehicles. Further, the results of the proposed strategies to reduce the accident based on ANNMLP, and PR models showed that longitudinal slope among all variables decreased number of accidents by 40%, and 45% for arterial roads class I, respectively.