پیش بینی ایمنی ترافیک با استفاده از روش PSO-SVM و شبکه عصبی پس انتشار

حوادث جاده ای و تلفات ناشی از آن یکی از چالش های کنونی جوامع بشری است که هزینه های اقتصادی زیادی را بر اقتصاد برخی کشورها تحمیل نموده است. با توجه به اطلاعات مربوط به ایمنی ترافیک در سال های گذشته، تعیین برنامه ریزی ایمنی ترافیک با پیش بینی ازدیاد تصادفات رانندگی، بسیار حائز اهمیت می باشد. به منظور حل مشکلات شبکه نورونی BP، یک روش جدید که ترکیب بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان (PSO – SVM) را با هم ترکیب می کند، برای پیش بینی ایمنی ترافیک ارایه شده است. ابتدا، عوامل موثر بر ایمنی ترافیک و شاخص های ارزیابی مورد تجزیه و تحلیل قرار می گیرند، سپس مدل پیش بینی ایمنی ترافیک توسط PSO - SVM با توجه به عوامل موثر ایجاد شده است. در نهایت، داده های مربوط به ایمنی ترافیک در کشور از ۱۳۷۶ تا ۱۳۹۷ برای تحقیق در مورد توانایی پیش بینی روش پیشنهادی بکار گرفته می شوند. نتایج تجربی نشان می دهد که پیش بینی ایمنی ترافیک توسط PSO - SVM بهتر از شبکه نورونی BP است. مقادیر MAPE پیش بینی تعداد حوادث توسط شبکه عصبی SVM - SVM و شبکه عصبی BP به ترتیب ۰,۰۲۵۱ و ۰.۰۴۹۸ است.

Keywords:

شبکه عصبی , SVM , PSO , ایمنی ترافیک , پس انتشار