سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

پیش بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه بندان با استفاده از مدل شبکه عصبی

Publish Year: 1403
Type: Journal paper
Language: Persian
View: 174

This Paper With 18 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_ROAD-32-120_009

Index date: 24 August 2024

پیش بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه بندان با استفاده از مدل شبکه عصبی abstract

عدم توازن عرضه و تقاضا در ساعات شلوغی تردد باعث ازدحام ترافیک در معابر می شود که تاثیر بسزایی بر ایمنی، زمان سفر و مصرف سوخت دارد. بررسی رفتار رانندگان قبل از ازدحام و راه بندان می تواند ضمن ارائه راهکارهای مناسب به کاهش اثرات آن کمک کند. اگرچه پیش بینی رفتار رانندگان با استفاده از مدل های مختلف توسط محققین ارائه شده است، اما به پیش بینی رفتار رانندگان قبل از راه بندان توجه چندانی نشده است. هدف اصلی این مطالعه تعیین مدلی برای پیش بینی رفتار رانندگان در مواجهه با راه بندان با استفاده از مدل شبکه عصبی است. در این تحقیق رفتار ۱۲۴ راننده هنگام مواجه شدن با راه بندان از طریق فیلم برداری ویدئویی بدون جلب توجه رانندگان ضبط و پردازش شد و مشخصات فردی و رفتاری رانندگان نیز با تجزیه وتحلیل پرسش نامه های تکمیل شده توسط رانندگان استخراج شد. پس از تحلیل توصیفی، داده های جمع آوری شده با استفاده از تحلیل عاملی تاییدی روابط بین متغیرهای مشاهده شده و نهفته (نگرشی یا رفتاری) در نرم افزار Amos v.۲۴ مورد ارزیابی قرار گرفتند و دو متغیر پنهان قانون گریزی و رانندگی پرخاشگرانه تعیین شدند. باتوجه به خروجی مدل شبکه عصبی که در نرم افزار SPSS ایجاد گردید، مهم ترین عامل در پیش بینی رفتار تغییر خطوط رانندگان در هنگام مواجهه با ترافیک، متغیر نگرشی قانون گریزی و سپس فاصله عرضی تا موانع یا خودروهای واقع در سمت چپ و راست ماشین موردنظر تعیین شدند. دقت مدل برای داده های آزمون برابر با ۹۳/۹ درصد است.

پیش بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه بندان با استفاده از مدل شبکه عصبی Keywords:

پیش بینی رفتار رانندگان وسایل نقلیه سواری در هنگام مواجهه با راه بندان با استفاده از مدل شبکه عصبی authors

سید حامد سید متین

دانشجوی دکتری، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران

علی عبدی کردانی

استاد، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران

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 :
Ding, C., Wang, W., Wang, X., & Baumann, M., (۲۰۱۳). ...
Gao, J., Zhu, H., & Murphey, Y. L., (۲۰۱۹). A ...
Hamedi, H., & Shad, R., (۲۰۲۲). Lane-changing trajectory prediction modeling ...
Hennessy, D. A., & Wiesenthal, D. L., (۱۹۹۹). Traffic congestion, ...
Kouabenan, D. R. J. J. o. R. R., (۲۰۰۲). Occupation, ...
Li, G., Lai, W., Sui, X., Li, X., Qu, X., ...
post-congestion driving. Accident Analysis & Prevention. ۱۴۱, ۱۰۵۵۰۸. ...
Ma, M., Yan, X., Huang, H., & Abdel-Aty, M., (۲۰۱۰). ...
Peng, J., Guo, Y., Fu, R., Yuan, W., & Wang, ...
Perry, A. R., Baldwin, D. A. J. P., & skills, ...
Ponnaluri, R. V. J. I. R., (۲۰۱۲). Road traffic crashes ...
Sun, D., & Elefteriadou, L. J. T. R. R., (۲۰۱۰). ...
Ulleberg, P., & Rundmo, T. J. S. J. o. P., ...
Wang, W., Qie, T., Yang, C., Liu, W., Xiang, C., ...
Wei, C., Hui, F., & Khattak, A. J., (۲۰۲۱). Driver ...
Zheng, J., Suzuki, K., & Fujita, M., (۲۰۱۴). Predicting driver’s ...
نمایش کامل مراجع