@article { author = {Boroujerdian, Amin and صفارزاده, محمود and قاسم زاده خشکرودی, علی}, title = {Using spatial autoregressive lag model to predict crash rates in roads segments(maximum likelihood estimation)}, journal = {Quarterly Journal of Transportation Engineering}, volume = {6}, number = {3}, pages = {383-396}, year = {2015}, publisher = {Parseh Designers Transportation Research Institute}, issn = {2008-6598}, eissn = {2717-3976}, doi = {}, abstract = {Fatality is a common disorder characterized by car crashes. One of the most significant current discussions in transportation science is find a precise method to predict car crashes in different areas such as road segments.The past decades has seen the rapid development of using statistical methods to predict accident. These rapid changes are having a serious effect on reduce the number of fatalities in car crashes. However, far too little attention has been paid to the role of spatial dependence between roads segments. This paper compares spatial autoregressive methods for taking spatial dependence into account in crash rate prediction. This paper has been divided into four parts. The first part deals with collecting accident data along the road including location of accident occurrence. The second part focused on dividing road to the same length segments. Qazvin- zanjan freeway was selected for study in this research. The third part deals with accident rates calculation in each segment. The forth part of this study deals with using spatial autoregressive methods to predict the accident rates in each segment and comparison the results with the results of conventional regression models such as linear regression model. The results of this investigation show that spatial dependence consideration lead to improve in results.}, keywords = {Spatial Autoregressive,spatial dependence,spatial matrix weight,Segmentation,accident rate prediction}, title_fa = {استفاده از مدل‌‌ تاخیر فضایی در پیش‌بینی نرخ تصادفات راه}, abstract_fa = {یکی از معضلات سیستم‌های حمل‌و‌نقل جاده‌ای، تصادفات می‌باشد که در سالهای اخیر مطالعات زیادی را در حوزه ایمنی به خود معطوف کرده است. از آنجاکه تصادفات معلول ترکیب عوامل پیچیده مختلفی است که در آن موثر بوده‌‌اند، لذا پیش‌بینی نرخ تصادفات از موضوعات خاص حوزه مهندسی ایمنی راه محسوب می‌شود. پیش‌بینی تصادفات در قطعات راه عمدتاً به کمک مدل‌های آماری انجام می‌گیرد.مدلهای معمول آماری مانند مدل دوجمله‌ای منفی دارای محدودیت‌هایی می‌باشند برای مثال در این مدل‌ها اثر متقابل نزدیک بودن دو تقاطع خاص به یکدیگر در‌نظر گرفته نمی‌شود. به این اثر رابطه فضایی بین داده‌های قطعات متوالی گفته می‌شود.در اکثر مطالعات انجام شده وابستگی فضایی بین قطعات راه در نظر گرفته نشده است. در مواجهه با داده‌های مکانی، مدل‌های اتورگرسیو ‌فضایی که توانایی محاسبه وابستگی فضایی بین قطعات راه را دارند، می‌توانند جایگزین مدل‌ها و روش‌های مرسوم آماری گردند.در واقع زمانی که داده‌ها دارای مشخصه مکانی هستند، ممکن است وابستگی فضایی بین مشاهدات وجود داشته باشد و به‌کارگیری شیوه‌های مرسوم که این وابستگی را درنظر نمی‌گیرند،نتایج تحلیل را دچار خطا می‌کند. در این تحقیق پس از قطعه‌بندی راه و تخصیص تصادفات به هر قطعه، با تشکیل ماتریس وزن جهت محاسبه وابستگی فضایی قطعات به یکدیگر به بررسی عملکرد مدل تاخیر فضایی پرداخته و پس از برآورد پارامترها، عملکرد این مدل در مقایسه با مدل رگرسیون خطی نشان داده شده است. سپس به پیش‌بینی نرخ تصادفات در قطعات راه پرداخته و با مقایسه نرخ تصادفات واقعی و پیش‌بینی شده، بهترین پیش‌بینی کننده انتخاب شده است. با بررسی RMSE مدلهای پیش‌بینی شده و مقادیر واقعی در روش بیشترین درستنمایی ، مدل تاخیر فضایی با مقدار RMSE به میزان9707/6 به عنوان مدلی کارامدتر در‌ پیش‌بینی نرخ تصادفات در این تحقیق شناخته شد.}, keywords_fa = {اتورگرسیو فضایی,وابستگی فضایی,ماتریس وزن,پیش‌بینی نرخ تصادفات,برآورد به روش بیشترین درستنمایی}, url = {https://jte.sinaweb.net/article_77301.html}, eprint = {} }