بررسی شدت تصادفات شهر تهران به کمک مدلهای آماری و دادهکاوی
ارتقای ایمنی و پیشگیری از مصدومیت ها,
دوره 1 شماره 2 (2013),
7 شهریور 2013
,
صفحه 86 -94
https://doi.org/10.22037/meipm.v1i2.4976
چکیده
سابقه و هدف: استان تهران، پس از استان خراسان رضوي بالاترين تعداد کشته شدگان حوادث رانندگي کشور در سال 1390 را داشته است. با توجه به اینکه بیشتر پژوهشهای انجام شده در حوزه تصادفات به بررسی تصادفات برونشهری پرداختهاند، تحقیق حاضر بر آن است که با به کارگیری مدلهای لوجیت و شبکه عصبی مصنوعی به بررسی عوامل دخیل در شدت تصادفات درونشهری (تهران) بپردازد.
روش بررسی: در میان انواع تصادفات، تصادفات جلو به جلو به عنوان شدیدترین انواع تصادف مورد بررسی قرار گرفته است و از اطلاعات تصادفات به وقوع پیوسته در شهر تهران استفاده شده است. در فرآیند مدلسازی، متغیر وابسته، شدت تصادفات (جرحی و خسارتی) و متغیرهای مستقل، پارامترهایی چون ویژگیهای راننده، زمان وقوع حادثه، مشخصات محیطی و ترافیکی میباشند. در انتها علاوه بر مقایسه دقت پیشبینی دو مدل، کشش متغیرها در مدل لوجیت با تحلیل حساسیت شبکه عصبی مقایسه شده است.
يافتهها: نتایج نشان ميدهد که عواملی چون جنسیت، سن و تحصیلات راننده در افزایش شدت تصادفات موثر بوده است. تصادفات به وقوع پیوسته به دلیل بیتوجهی به مقررات، عجله و شتاب بیمورد، انحراف به چپ یا تغییر مسیر ناگهانی وسیله با شدت بیشتری همراه بوده است. همچنین عواملی چون نوع وسیله مقصر، وضعیت روسازی، زمان تصادف و عرض معبر، در افزایش احتمال جرحی بودن تصادف موثر بوده است.
نتيجهگيری: مدل شبکه عصبی مصنوعی همچون مدلهای آماری میتواند کارایی مناسبی در تحلیل اثر عوامل دخیل بر شدت تصادفات داشته باشد. با توجه به نتایج بهدستآمده، خطاهای انسانی و بیسوادی رانندگان تأثیر بسزایی در افزایش شدت تصادفات داشتهاند، از این رو، آموزش رانندگان میتواند از اولین راهکارهای کاهش شدت تصادفات باشد. در این میان باید توجه ویژهای به گروه سنی رانندگان جوان بشود.
- مدل لوجیت، مدل شبکه عصبی مصنوعی، شدت تصادفات و مدلهای آماری
ارجاع به مقاله
مراجع
Ayati E. The Cost of Traffic Accidents in Iran. Mashhad: Ferdowsi University of Mashhad; 2008.
Tehran Safe Community. 2012; Available from: www.tehransafe14.com/Default.aspx? 04&RelatedID=vneHvndy.
Pei X, Wong S C, Sze N.N. The Roles of Exposure and Speed in Road Safety Analysis. Accid Anal Prev. 2012; 48: 464-71.
National Highway Traffic Safety Administration, Traffic Safety Facts Fars/Ges Annual Report, Proceedings of 90th 2011; Washington, D.C.
Jones A P, Jorgensen S H. The Use of Multilevel Models for the Prediction of Road Accident Outcomes. Accid Anal Prev. 2003; 35(1): 59-69.
Miltner E, Salwender H J. Influencing Factors on the Injury Severity of Restrained Front Seat Occupants in Car-to-Car Head-on Collisions. Accid Anal Prev. 1995; 27(2): 143-50.
Srinivasan K K. Injury Severity Analysis with Variable and Correlated Thresholds: Ordered Mixed Logit Formulation. Transp Res Rec. 2002; 1784: 132-42.
Garder P. Segment Characteristics and Severity of Head-on Crashes on Two-Lane Rural Highways in Maine. Accid Anal Prev. 2006; 38(4): 652-61.
Zuxuan D, Ivan J.N, Gårder P. Analysis of Factors Affecting the Severity of Head-on Crashes Two-Lane Rural Highways in Connecticut 2006; 41: 137-46.
Mercier CR, Shelley Ii MC, Rimkus J B, Mercier J M. Age and Gender as Predictors of Injury Severity in Head-on Highway Vehicular Collisions.1997; 24: 37-46.
Haleem K, Abdel-Aty M. Examining Traffic Crash Injury Severity at Unsignalized Intersections. J Safety Res. 2010; 41(4): 347-57.
Peek-Asa C, Britton C, Young T, Pawlovich M, Falb S. Teenage Driver Crash Incidence and Factors Influencing Crash Injury by Rurality. J Safety Res. 2010; 41(6): 487-92.
Kononen D W, Flannagan C A C, Wang S C. Identification and Validation of a Logistic Regression Model for Predicting Serious Injuries Associated with Motor Vehicle Crashes. Accid Anal Prev. 2011; 43(1): 112-22.
Rifaat S M, Tay R, De Barros A. Effect of Street Pattern on the Severity of Crashes Involving Vulnerable Road Users. Accid Anal Prev. 2011; 43(1): 276-83.
Chong M, Abraham A, Paprzycki M. Traffic accident analysis using machine learning paradigms. Inform 2005; 29(1): 89-98.
Delen D, Sharda R, Bessonov M. Identifying Significant Predictors of Injury Severity in Traffic Accidents Using a Series of Artificial Neural Networks. Accid Anal Prev. 2006; 38(3): 434-44.
Abdelwahab HT, Abdel-Aty MA. Development of Artificial Neural Network Models to Predict Driver Injury Severity in Traffic Accidents at Signalized Intersections2001.
Hensher DA, Rose JM, Greene WH. Applied Choice Analysis: A Primer: Cambridge University Press 2005.
Train KE. Discrete Choice Methods with Simulation. United States of America Cambridge University Press 2007.
Pal SK, Mitra S. Multilayer Perceptron, Fuzzy Sets, and Classification, IEEE Transactions on Neural Networks 1992.
Baykan N A, Yilmaz N A. Mineral Classification System with Multiple Artificial Neural Networks Using K-Fold Cross Validation. J Comput Math. 2011; 16(1): 22-30.
Izenman AJ. Modern Multivariate Statistical Techniques, Springer Science and Business Media 2008.
Elvik R. Speed and Road Safety: Synthesis of Evidence from Evaluation Studies. Transp Res Rec. 2005; 1908: 59-69.
Shams M, Rahimi-Movaghar V. Risky Driving Behaviors in Tehran, Iran. Traffic Inj Prev.2009; 10(1): 91-4.
Abdelwahab HT, Abdel-Aty M A. Development of Artificial Neural Network Models to Predict Driver Injury Severity in Traffic Accidents at Signalized Intersections. Transp Res Rec. 2001; 1746: 6-13.
- چکیده مشاهده شده: 406 بار
- PDF (English) دانلود شده: 434 بار
- PDF دانلود شده: 117 بار