توسعه یک مدل تصمیم گیری مبتنی بر محاسبات نرم جهت پیش بینی شدت تصادفات در راه های برون شهری
Publish place: Remote Sensing and Iran GIS، Vol: 8، Issue: 1
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 144
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-8-1_003
تاریخ نمایه سازی: 16 آبان 1400
Abstract:
توسعه روش های جدید و هوشمند برای جلوگیری از وقوع تصادف یا کاهش شدت تصادفات در راه های برون شهری یکی از اهداف اصلی مطالعات ایمنی راه است. هدف این تحقیق تلفیق قابلیت های سیستم های اطلاعات مکانی (GIS) با روش های مبتنی بر محاسبات نرم، جهت برآورد شدت تصادفات و تعیین فاکتورهای موثر بر آن در راه های دو خطه برون شهری است. روش پیشنهادی با ارائه مدل درخت دسته بندی و رگرسیون فازی (FCART) و ایجاد پایگاه داده مکانمند متشکل از داده های تصادفات و اطلاعات راه و محیط مجاور آن در محور قزوین- رشت (ایران) بررسی می شود. نتایج با استفاده روش اعتبارسنجی ده قسمتی بر رویدادهایی که شدت تصادفات آنها معلوم است، ارزیابی و با مدل درخت دسته بندی و رگرسیون (CART) مقایسه می شود. نتایج نشان می دهد که مدل درخت دسته بندی و رگرسیون فازی در مقایسه با درخت تصمیم CART فرایند استنتاج قوی تر ی دارد و شدت تصادفات را با صحت بیشتری پیش بینی می کند. تحلیل حساسیت روش پیشنهادی ضمن کشف تاثیرات مکانی طرح هندسی و عوارض و کاربری های مجاور راه بر شدت تصادفات، نقص فنی خودرو، کمربند ایمنی و شرایط آب وهوایی را نیز مهم ترین فاکتورهای تاثیر گذار در شدت تصادف می شمارد. این مطالعه به متخصصان ایمنی راه کمک می کند تا عوامل مکانی تاثیرگذار در سطوح متفاوت شدت تصادفات را شناسایی کنند و اقدامات پیشگیرانه لازم را برای کاهش شدت یا جلوگیری از وقوع تصادفات انجام دهند.
Keywords:
Authors
میثم عفتی
استادیار، گروه مهندسی عمران، دانشکده فنی دانشگاه گیلان، رشت
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :