طبقه‌بندی تصادفات جاده‌ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی آزادراه تهران - پردیس)

میرزایی, مسعود; یزدان پناه, مهدی; دهقان بنادکی, علی

doi:10.22119/jte.2022.315138.2571

طبقه‌بندی تصادفات جاده‌ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی آزادراه تهران - پردیس)

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ فارغ‌التحصیل کارشناسی ارشد، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد دماوند، دماوند، ایران

² استادیار، دانشکده فنی و مهندسی، گروه مهندسی عمران، دانشگاه گرمسار، گرمسار، ایران

³ استادیار، دانشکده فنی و مهندسی، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد دماوند، دماوند، ایران

10.22119/jte.2022.315138.2571

چکیده

وقوع تصادف در جاده‌ها به لحاظ شدت و خسارات جانی و مادی در شرایط محیطی و هندسی مختلف همواره مورد بررسی و توجه قرار گرفته است. در این تحقیق از مدل پرسپترون چندلایه با معماری‌های مختلف شامل یک و دولایه مخفی با تعداد نورون‌های متفاوت برای تخمین تعداد تصادفات جاده‌ای استفاده شده است. در مدل‌سازی از متغیرهای مستقل (داده‌های ورودی) شامل شعاع قوس افقی، زمان وقوع حادثه، سن راننده مسبب حادثه، جنسیت، داشتن گواهی‌نامه، نوع وسیله نقلیه، شرایط آب‌وهوایی، متوسط ترافیک روزانه، روشنایی محیط، علت وقوع حادثه، نوع و مکان وقوع تصادف استفاده شده است. تعداد تصادفات به عنوان متغیر وابسته به چهار کلاس (کلاس اول برابر با یک تصادف، کلاس دوم برابر با 2 تصادف، کلاس سوم برابر با 3 تصادف، کلاس چهارم برابر با 4 تصادف) تقسیم‌بندی شد. در این راستا از گزارش‌های تصادفات آزادراه تهران - پردیس حدفاصل دی‌ماه 1395 الی مردادماه 1398 که از شرکت آزادراه تهران - پردیس دریافت شده مورداستفاده قرار گرفته است. تعداد تصادفات رخ‌داده در طول این مدت برابر 368 مورد بوده است که از این تعداد 44 مورد گزارش به دلیل نقص اطلاعات ثبت شده خارج و با استفاده از 324 مورد گزارش، مدل‌های عصبی ساخته شد. نتایج نشان می‌دهد که مدل شبکه عصبی با دولایه پنهان هرکدام با تعداد 14 عصب با دقتی برابر 3/83 درصد برای داده‌های آموزش و دقت کل 3/83 درصد بهترین عملکرد ر تخمین تعداد تصادفات را از خود نشان داد.

کلیدواژه‌ها

20.1001.1.20086598.1402.14.4.5.6

عنوان مقاله [English]

Classification of Road Accidents using Artificial Neural Network (Case Study: Tehran-Pardis Freeway)

نویسندگان [English]

Masoud Mirzaei ¹
Mahdi Yazdanpanah ²
Ali Dehghanbanadaki ³

¹ Master of Science, Civil Engineering Department, Damavand Islamic Azad University. Damavand, Iran

² Assistant Professor, Faculty of Engineering, University of Garmsar, Garmsar, Iran

³ Assistant Professor, Civil Engineering Department, Damavand Islamic Azad University. Damavand, Iran

چکیده [English]

Occurrence of road accidents in terms of severity and loss of life and property in various environmental and geometric conditions has always been studied and considered. In this study, a multilayer perceptron model with different architectures including one and two hidden layers with different numbers of neurons has been used to estimate the number of road accidents. In modelling of independent variables (input data) including horizontal arc radius, time of the accident, age of the driver causing the accident, gender, having a driving license, type of vehicle, weather conditions, average daily traffic, ambient light, cause of accident, severity and location of accident used. The dependent variable (model output), the number of accidents was divided into four classes (first class equal to one accident, second class equal to 2 accidents, third class equal to 3 accidents, and fourth class equal to 4 accidents). In this regard, the reports of accidents on the Tehran-Pardis freeway between January 2017 and August 2019, which were received from the Tehran-Pardis freeway company, have been used. The number of accidents that occurred during this period was equal to 368 cases, of which 44 cases were excluded due to lack of recorded information and the neural models were constructed using 324 reports. The results show that the hidden two-layer neural network model with 14 neurons each with an accuracy of 83.3% for training data and a total accuracy of 83.3% showed the best performance in estimating the number of accidents.

کلیدواژه‌ها [English]

prediction of number of accidents
classification of accidents
neural-artificial network
Tehran-Pardis freeway

مراجع

- ابراهیمی، آرمان (1394) "بررسی شدت تصادفات عابرین پیاده به کمک مدل آماری لوجیت و شبکه عصبی مصنوعی (مطالعه موردی شهر کرمانشاه)"، پایان‌نامه کارشناسی ارشد مهندسی عمران، گرایش راه‌وترابری، دانشگاه رازی.

- افندی زاده، شهریار و نبی زادهر، مهدی و جوادی درخانه، نازنین (1393) "مدل‌سازی نقش عامل انسانی در تصادفات با استفاده از شبکه عصبی. فصلنامه علمی ترویجی مهندسی ترافیک"، شماره 57، ص. 12 تا 22.

- باباگل، رضوان، عاملی، علیرضا، غلامرضا، تبار و پایدار، علی (1398) "ارائه مدل پیش‌بینی شدت تصادفات وسایل نقلیه با استفاده از داده‌های تصادف (مطالعه موردی محور بابل - گنج افروز)"، فصل‌نامه علمی پژوهش‌نامه حمل‌ونقل، سال شانزدهم، دوره چهارم، شماره 61، ص. 14-1.

- حجازی، سید جعفر، رادکیا، سیروس و شیرزادی ده کهنه، محمد (1392) "ارائه مدل پیش‌بینی تصادفات بر اساس خصوصیات هندسی مسیر (مطالعه موردی محور اندیمشک - پل زال)"، همایش ملی مهندسی عمران کاربردی و دستاوردهای نوین، ایران.

- صنایعی, رضا, وفائی نژاد, علیرضا, کرمی, جلال, آقامحمدی زنجیرآباد, حسین. (1400). "بهبود سری زمانی سوانح ترافیکی زمانمند با کمک شبکه‌های عصبی مصنوعی، مبتنی بر سیستم اطلاعات مکانی مطالعه موردی آزادراه کرج – قزوین"، فصلنامه مهندسی حمل و نقل، دوره دوازدهم، شماره 3، ص. 627-609.

- فرامرزی، محمدعلی (1396) "بررسی تصادفات جاده‌ای با استفاده از شبکه عصبی مصنوعی (مطالعه موردی محورهای برون‌شهری استان گلستان)"، پایان‌نامه کارشناسی ارشد مهندسی عمران، گرایش راه‌وترابری، دانشگاه آزاد اسلامی واحد شاهرود.

- محمدی، رضا (1395) "تحلیل مکانی تصادفات جاده‌ای بر اساس خصوصیات هندسی مسیر (مطالعه موردی محور سنندج - کامیاران)"، پایان‌نامه کارشناسی ارشد سیستم‌های اطلاعات مکانی، دانشگاه تربیت دبیر شهید رجایی.

- منهاج، م. ب. (1379) "مبانی شبکه‌های عصبی"، جلد اول، مرکز نشر دانشگاه صنعتی امیرکبیر.

- یعقوبی، حمید (1379) "بررسی نقش عوامل انسانی در بروز تصادفات رانندگی در ایران". مجله روانپزشکی و روانشناسی بالینی ایران, شماره 6، ص. 60-52.‎

- Akgüngör AP, Doğan E (2009) “An artificial intelligent approach to traffic accident estimation: Model development and application”,. Transport, Vol. 24, No. 2, pp. 135-142.

- Dehghanbanadaki, A., Khari, M., Arefnia, A., Ahmad, K., & Motamedi, S. (2019) “A study on UCS of stabilized peat with natural filler: a computational estimation approach ” KSCE Journal of Civil Engineering, Vol. 23, No. 4, pp. 1560-1572.

- García de Soto B, Bumbacher A, Deublein M and Adey BT. (2018) “Predicting road traffic accidents using artificial neural network models”, Infrastructure Asset Management Vol. 5, No. 4, pp. 132–144.

- Guido G, Haghshenas, SS, Haghshenas SS, Vitale A, Gallelli V, Astarita V (2020) “Development of a binary classification model to assess safety in transportation systems using GMDH-type neural network algorithm”,. Sustainability, Vol. 12, No. 17, pp. 6735.

- Haikal Aiman Hartika, Mohd Zakwan Ramli, Muhamad Zaihafiz Zainal Abidin, Mohd Hafiz Zawawi. (2017) “Study of Road Accident Prediction Model at Accident Blackspot Area: A Case Study at Selangor”, International Journal of Scientific Research in Science, Engineering and Technology. Vol. 3. No. 5.

- Hébert A. (2020) “Estimation of Road Accident Risk with Machine Learning”, Doctoral dissertation, Concordia University.

- Huang T, Wang S, Sharma A (2020) “Highway crash detection and risk estimation using deep learning”,. Accident Analysis & Prevention, Vol. 135, pp. 105392.

-Keshtkarbanaeemoghadam, A., Dehghanbanadaki, A., & Kaboli, M. H. (2018) “Estimation and optimization of heating energy demand of a mountain shelter by soft computing techniques” Sustainable cities and society, Vol. 41, pp. 728-748.

-Singh, G. Pal, M. Yadav, Y. et al (2020) “Deep neural network-based predictive modeling of road accidents”, Neural Computing and Applications, pp. 1-10.

- Slimani N, Slimani I, Sbiti N, Amghar, M. (2019) “Traffic forecasting in Morocco using artificial neural networks”, Procedia Computer Science, Vol. 151, pp. 471-476.

- Theofilatos, A., Yannis, G., Kopelias, P., & Papadimitriou, F. (2016) “Predicting road accidents: a rare-events modeling approach”, Transportation research procedia, Vol. 14, pp. 3399-3405.

- Viswanath D, Preethi K, Nandini R, Bhuvaneshwari R (2021) A Road Accident Prediction Model Using Data Mining Techniques. In 2021 5th International Conference on Computing Methodologies and Communication (ICCMC), pp. 1618-1623. IEEE.

- Yasin Çodur, M., & Tortum, A. (2015) “An artificial neural network model for highway accident prediction: A case study of Erzurum, Turkey”, PROMET-Traffic&Transportation, Vol. 27, No. 3, pp. 217-225.