پیش‌بینی ایمنی ترافیک با استفاده از روش بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان

Abstract

تصادفات جاده‌ای و تلفات ناشی از آن ‌یکی از چالش‌های کنونی جوامع بشری است که هزینه‌های اقتصادی زیادی را بر اقتصاد کشورها تحمیل نموده است. با توجه به اطلاعات مربوط به ایمنی ترافیک در مطالعات پیشین، تعیین برنامه‌ریزی ایمنی ترافیک با پیش‌بینی افزایش تصادفات رانندگی، بسیار حائز اهمیت می‌باشد. مدل های شبکه عصبی استفاده شده در این زمینه دارای خلاءهایی همچون ضعف در نقاط با تعداد تصادفات صفر و تفاوت نتایج در هر بار آزمایش می­باشند، در این مطالعه به‌منظور حل مشکلات شبکه عصبی پس انتشار، یک روش جدید که ترکیب بهینه‌سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان (PSO-SVM) می­باشد با هم ترکیب می شوند تا به منظور پیش‌بینی ایمنی ترافیک مورد استفاده قرار گیرد. ابتدا عوامل مؤثر بر ایمنی ترافیک و شاخص‌های ارزیابی مورد تجزیه‌وتحلیل قرار می‌گیرند، سپس مدل پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان با­توجه به عوامل مؤثر ایجاد می­شود. در نهایت، داده‌های مربوط به ایمنی ترافیک از سال 1376 تا 1397 برای تحقیق در مورد توانایی پیش‌بینی روش پیشنهادی بکار گرفته می‌شوند. نتایج تجربی نشان می‌دهد که پیش‌بینی ایمنی ترافیک توسط بهینه‌سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان برتر از شبکه عصبی پس انتشار است. مقادیر میانگین مطلق خطا برای پیش‌بینی تعداد تصادفات توسط بهینه‌سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان و شبکه عصبی پس انتشار به ترتیب مقادیر 0281/0 و 0498/0 را به خود اختصاص دادند. مدل‌های ساخته شده در این مطالعه دارای نوسانات بیشتری نسبت به داده‌های مشاهده می­باشند، بنابراین می‌توان به­منظور تنظیم مدل‌های مذکور، مدل‌های دقیق­تری ایجاد نمود. میزان خطا در مدل های مربوط به تعداد مجروحین کمتر از داده‌های تعداد تصادفات و تلفات می‌باشد، که می‌توان علت این موضوع را به تعداد داده‌های بیشتر مربوط دانست.

Keywords

• شبکه عصبی
• بهینه‌سازی گروه‌ ذرات و ماشین ‌راهنمای ‌پشتیبان
• ایمنی ترافیک
• پس انتشار