پیش بینی ایمنی ترافیک با استفاده از روش بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان

تصادفات جاده ای و تلفات ناشی از آن یکی از چالش های کنونی جوامع بشری است که هزینه های اقتصادی زیادی را بر اقتصاد کشورها تحمیل نموده است. با توجه به اطلاعات مربوط به ایمنی ترافیک در مطالعات پیشین، تعیین برنامه ریزی ایمنی ترافیک با پیش بینی افزایش تصادفات رانندگی، بسیار حائز اهمیت می باشد. 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 به منظور حل مشکلات شبکه عصبی پس انتشار، یک روش جدید که ترکیب بهینه سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان (PSO-SVM) می­باشد با هم ترکیب می شوند تا به منظور پیش بینی ایمنی ترافیک مورد استفاده قرار گیرد. ابتدا عوامل موثر بر ایمنی ترافیک و شاخص های ارزیابی مورد تجزیه وتحلیل قرار می گیرند، سپس مدل پیش بینی ایمنی ترافیک توسط بهینه سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان با­توجه به عوامل موثر ایجاد می­شود. در نهایت، داده های مربوط به ایمنی ترافیک از سال 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 بهینه سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان برتر از شبکه عصبی پس انتشار است. مقادیر میانگین مطلق خطا برای پیش بینی تعداد تصادفات توسط بهینه سازی گروه­ ذرات و ماشین ­راهنمای ­پشتیبان و شبکه عصبی پس انتشار به ترتیب مقادیر ۰۲۸۱/۰ و ۰۴۹۸/۰ را به خود اختصاص دادند. مدل های ساخته شده در این مطالعه دارای نوسانات بیشتری نسبت به داده های مشاهده می­باشند، بنابراین می توان به­منظور تنظیم مدل های مذکور، مدل های دقیق­تری ایجاد نمود. میزان خطا در مدل های مربوط به تعداد مجروحین کمتر از داده های تعداد تصادفات و تلفات می باشد، که می توان علت این موضوع را به تعداد داده های بیشتر مربوط دانست.

Keywords:

شبکه عصبی , بهینه سازی گروه ذرات و ماشین راهنمای پشتیبان , ایمنی ترافیک , پس انتشار