مقایسه کارایی الگوریتم های یادگیری ماشین نظارتی (ANN, NB و SVM) برای پیش بینی شدت تصادفات | مطالعه موردی: کشور انگلستان - سال های ۲۰۱۰ تا ۲۰۱۴

یکی از معضلات اجتماعی که در سطح جهان هر ساله تعداد زیادی از مردم در جاده ها جان خود را از دست می دهند، تصادفات وسایل نقلیه است. تصادفات با دارا بودن هزینه های سنگین، تبعات اجتماعی و فرهنگی، جوامع بشری را تحت تاثیر قرار می دهند. در این مقاله با در نظر گرفتن ویژگی های جغرافیایی، سرعت، روسازی، آب و هوایی، روشنایی، تاریخ و ساعت، هدف سفر، مشخصات وسایل نقلیه و ... به طبقه بندی شدت تصادفات خفیف و شدید_منجر به مرگ رخ داده در راه های کشور انگلستان پرداخته شده است. در ادامه بعد از دریافت داده ها از سایت Kaggle با حدود ۲۵۲ هزار رکورد و ۳۲ متغیر مستقل بین سال های ۲۰۱۰ تا ۲۰۱۴ از الگوریتم های یادگیری ماشین و زبان برنامه نویسی پایتون استفاده گردید. نتایج نشان دادند، به ترتیب بیز ساده (کل) با دقت ۷۵/۱۰%، ماشین بردار پشتیبان با دقت ۷۵/۰۵% و شبکه عصبی با دقت ۷۴/۵۹% پیش بینی را با دقت مطلوبی انجام دادند. الگوریتم های پیشنهادی این مقاله می توانند توسط ادارات و سازمان های حمل و نقل کشور مورد تحقیق به عنوان ابزارهای نوین برای تصمیم گیری جهت بکارگیری روش های ایمنی راه ها استفاده شود، زیرا این مدل ها نمادی از واقعیت هستند و در شرایطی که به دلیل محدودیت های اقتصادی، فنی و ... امکان تجربه عملی موضوعات وجود ندارد، درک چگونگی رفتار سیستم را فراهم می سازند.

مقایسه کارایی الگوریتم های یادگیری ماشین نظارتی (ANN, NB و SVM) برای پیش بینی شدت تصادفات | مطالعه موردی: کشور انگلستان - سال های ۲۰۱۰ تا ۲۰۱۴ Keywords:

طبقه بندی , شدت تصادفات , یادگیری ماشین , پایتون , بیز ساده , شبکه عصبی , ماشین بردار پشتیبان , Accident Severity , Classification , Naïve , Python , Machine LearningSupport Vector , Neural Network , BayesMachine