TY - JOUR ID - 94164 TI - بهبود سری زمانی سوانح ترافیکی زمانمند با کمک شبکه‌های عصبی مصنوعی، مبتنی بر سیستم اطلاعات مکانی مطالعه موردی آزادراه کرج – قزوین JO - فصلنامه مهندسی حمل و نقل JA - JTE LA - fa SN - 2008-6598 AU - صنایعی, رضا AU - وفائی نژاد, علیرضا AU - کرمی, جلال AU - آقامحمدی زنجیرآباد, حسین AD - گروه تخصصی سنجش‌ازدور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط‌زیست،دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران AD - عضو هیئت‌علمی دانشکده مهندسی عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران، ایران AD - عضو هیئت‌علمی گروه تخصصی سنجش‌ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران AD - عضو هیئت‌علمی گروه تخصصی سنجش‌ازدور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط‌زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات Y1 - 2021 PY - 2021 VL - 12 IS - 3 SP - 609 EP - 627 KW - سامانه‌های اطلاعات مکانی KW - سری زمانی KW - سوانح ترافیکی KW - شبکه عصبی مصنوعی KW - ضریب خودهمبستگی جزئی DO - 10.22119/jte.2021.94164 N2 - این مطالعه مدل‌سازی بهینه، داده‌های سوانح ترافیکی زمانمند را در مقیاس‌ روزانه برای محور کرج ـ قزوین به‌عنوان یکی از محورهای حادثه‌خیز ایران در طی سال‌های 1388 تا 1392 با دو روش سری زمانی و شبکه عصبی مصنوعی برمبنای سیستم اطلاعات مکانی بررسی می‌نماید. الگوهای زمانی مخاطرات جاده‌ای، با در نظر گرفتن مؤلفه‌هایرَوَند و دوره‌ای، نوع و مرتبه مدل، توابع خودهمبستگی و خودهمبستگی جزئی، داده‌های سوانح ترافیکی زمانمند (حجم نمونه 1097 حادثه) به‌دست‌آمده است. درروش پیشنهادی اول میزان وابستگی حوزه زمان و مرتبه مدل زمانی محاسبه‌شده است و درروش دوم معماری‌های مختلف از شبکه ‌عصبی ‌مصنوعی پرسپترون چندلایه جهت تعیین بهینه‌ترین عملکرد تشخیصی پیاده‌سازی گردید. برای ارزیابی شبکه نیز شاخص‌های مشخصه، ضریب تبیین و صحت مورداستفاده قرار گرفت و برای محاسبات دو مدل در سناریوهای مختلف از نرم‌افزار ARCGIS و مطلب استفاده‌شده است. بر اساس نتایج مدل شبکه عصبی مصنوعی با مقدار ضریب تبیین  و خطای جذر میانگین مربعات 10.71 می‌تواند نرخ رخداد حوادث روزانه را تااندازه‌ای بهتر از روش سری زمانی و خودهمبستگی جزئی با مقدار ضریب تبیین  و خطای جذر میانگین مربعات 14.31 برآورد کرد. لازم به ذکر است، ارائه مدل داده‌های سوانح ترافیکی با مدل شبکه عصبی مصنوعی و خودهمبستگی جزئی در مقیاس‌ روزانه، تاکنون در تحقیقات و مطالعاتِ مشابه‏ مشاهده نشده است. UR - https://jte.sinaweb.net/article_94164.html L1 - https://jte.sinaweb.net/article_94164_c2c088315be935593a4420415c98c06d.pdf ER -